Revisión de la Literatura

Definición de Variables de Estudio

Teniendo en cuenta los elementos anteriormente abordados, se establece como variable independiente Liderazgo y variable dependiente Desarrollo Organizacional.

Variable Exógena o Independiente: Liderazgo

El liderazgo es la capacidad de influir, motivar y guiar a un grupo hacia objetivos comunes, generando confianza y compromiso (^{Northouse, 2021}). Implica visión estratégica, habilidades de comunicación y sensibilidad interpersonal para inspirar acciones colectivas (Yukl, 2013), promoviendo tanto el logro de metas como el desarrollo humano.

Variable Endógena o Dependiente: Desarrollo Organizacional

El desarrollo organizacional es un proceso planificado y sistemático de cambio, orientado a mejorar la efectividad, la salud y la capacidad de adaptación de una organización, mediante intervenciones en sus procesos, cultura y personas, con base en teorías del comportamiento y la gestión del cambio (^{Cummings et al., 2021}).

Método

Población, Muestra y Métodos de Muestreo

Se lleva a cabo una investigación empírica, cuantitativa y correlacional, con una muestra de colaboradores de microempresas de la ciudad de Tijuana. En un primer momento, se hace una revisión bibliográfica para valorar los antecedentes teóricos de las variables objeto de estudio. Luego, se diseña un formulario para la recolección de datos donde se validan las escalas de medición. El cuestionario se aplica durante los meses de febrero a junio del año 2025, alcanzando una muestra representativa de 432 sujetos de estudio, la mayoría con una edad entre 17 y 23 años (36%), que desarrollan funciones operativas (40.9%), administrativas (27%), comerciales (18.6%), contables (13.3 %) y de sistemas (0.2%)

Por consiguiente, aplicando la fórmula de la Figura 1 se establece una muestra de 432 sujetos de estudio, basado en un nivel de confianza (z) del 95 por ciento y un margen de error (ε) del 5 %, además de una probabilidad de éxito (p) y de fracaso (q) igual a 0.5.

De este modo, se concreta para evaluar los sujetos de estudio un tipo muestreo aleatorio simple, para ofrecer mayor fiabilidad estadística y que todos los elementos del universo poblacional, posean igual probabilidad de ser analizados. Por tanto, esta técnica evita sesgos pues permite que todas las partes de la población objetivo se encuentren dentro de la muestra con mayor rapidez sin afectar la fiabilidad (^{Otzen y Manterola, 2017}).

El análisis de los datos se procesa con la técnica estadística de modelo de ecuaciones estructurales basadas en el método de máxima verosimilitud y para la estimación precisa de los parámetros del modelo de investigación, la realización de pruebas de hipótesis. Su aplicación permite construir modelos teóricos complejos que representan relaciones entre variables y evaluar su ajuste a los datos empíricos en un modelo estadístico (^{Lee y Chen, 2023}).

La medición de las variables se hace con escalas adaptadas de estudios previos, con la modalidad de Likert en 5 puntos donde 1 es totalmente de acuerdo y 5 totalmente en desacuerdo. El constructo de liderazgo se realiza con tres ítems adecuados al estudio; entre tanto el desarrollo organizacional se evalúa con tres ítems con igual escala adaptado de la revisión de la literatura.

Análisis Factorial Exploratorio

El tratamiento estadístico de los resultados inicia con un análisis factorial exploratorio para determinar las escalas que integran las variables a estudiar y su correspondencia con las dimensiones teóricas correspondientes, mediante sus cargas factoriales representativas (^{Rogers, 2022}). En la tabla 1, se presentan las cargas de cada escala o ítem del cuestionario en su constructo.

Como primer paso se realiza un Análisis Factorial Exploratorio, el cual es útil para identificar la estructura de un conjunto de variables, se interpretan los resultados de la Prueba de medida KMO y Bartlett. La prueba de medida KMO y la prueba de Bartlett son herramientas utilizadas para evaluar la adecuación de los datos antes de realizar un análisis factorial.

La medida KMO se utiliza para evaluar la adecuación de la muestra para el análisis factorial. Los valores de KMO oscilan entre 0 y 1, donde un valor cercano a 1 indica que los datos son adecuados para el análisis factorial, mientras que un valor cercano a 0 sugiere que no lo son. Generalmente, se consideran las siguientes categorías: KMO < 0.50 es Inadecuado, 0.50 < KMO < 0.70 es Aceptable, 0.70 < KMO < 0.80 es Bueno, 0.80 < KMO < 0.90 es Muy bueno y KMO > 0.90 es Excelente; en este caso, un KMO de 0.829 indica que los datos son muy buenos para el análisis factorial, lo que sugiere que existe una correlación suficiente entre las variables (^{Field, 2018}).

A su vez, la prueba de esfericidad de Bartlett evalúa la hipótesis nula de que la matriz de correlación es una matriz identidad (es decir, que las variables no están correlacionadas) (^{Costello y Osborne, 2005}). Un resultado significativo (p < 0.05) indica que hay correlaciones significativas entre las variables.

En este caso, el valor de Chi-cuadrado es 679.125, con gl (grados de libertad) de 15 y un valor p de 0.001. Esto indica que la hipótesis nula puede ser rechazada, lo que sugiere que hay correlaciones significativas entre las variables en el análisis.

Esto respalda la decisión de realizar un análisis factorial. Los resultados de la prueba KMO y la prueba de esfericidad de Bartlett son positivos para la realización de un análisis factorial exploratorio (^{Fabrigar y Wegener, 2017}). El valor de KMO sugiere que los datos son adecuados para el análisis, mientras que la prueba de Bartlett indica que hay correlaciones significativas entre las variables.

Asimismo, en la Tabla 2 se muestra la Varianza Total Explicada, la cual se interpreta a partir de los resultados del análisis factorial exploratorio (AFE). Estos datos son esenciales para comprender cuánta varianza de las variables originales se captura a través de los componentes extraídos en el análisis.

En el Componente 1 obtiene una suma de extracción: 2.987, un % de varianza de 49.782 y un % acumulado igual a 49.782, por lo que este componente explica casi el 50% de la varianza total en los datos. Esto es un indicativo fuerte de que el primer componente captura una gran parte de la información subyacente en las variables originales. La suma de cargas al cuadrado indica que las variables están altamente correlacionadas con este componente, lo que sugiere que representa un constructo significativo.

A su vez, los datos obtenidos en el Componente 2 son la suma de extracción igual a 0.853, el % de varianza igual a 14.223 y el % acumulado es de 64.005. Este segundo componente explica aproximadamente un 14% de la varianza total, lo que, sumado al primer componente, lleva el porcentaje acumulado a 64.005%. Esto significa que los dos primeros componentes juntos explican más del 60% de la varianza total, lo que es un buen indicador de que el modelo tiene una estructura clara (^{Costello y Osborne, 2005}).

En cuanto a las Sumas de Rotación del componente 1 los resultados reflejan la Suma de rotación igual a 1.969 y el % de varianza es igual a 32.819, este componente, después de la rotación, explica un 32.819% de la varianza. La reducción en comparación con la extracción sugiere que algunas cargas han cambiado con la rotación, pero el componente sigue siendo importante.

Por su parte en el Componente 2, la Suma de rotación es igual a 1.871 y el % de varianza es igual a 31.186, de la misma forma que el componente anterior, este también refleja una buena porción de la varianza total, manteniendo un porcentaje acumulado en torno al 64.005%.

Los resultados del análisis factorial muestran que el primer componente captura casi la mitad de la varianza total en los datos, (^{Fabrigar y Wegener, 2017}), lo que indica que existe un constructo latente fuerte. El segundo componente también contribuye significativamente, y juntos explican una proporción sustancial de la varianza total. La rotación sugiere que las variables están bien estructuradas dentro de estos componentes (^{Field, 2018}), permitiendo una interpretación más clara de las relaciones entre variables.

Enseguida se presenta la Tabla 3, en donde se observan los datos de la Matriz de Componente Rotado como parte de los resultados del análisis factorial exploratorio (AFE) nos ayuda a entender cómo se agrupan las variables en componentes y a qué componente se asocian más fuertemente.

En este caso el Componente 1 agrupa variables Innovación (0.851), Procesos (0.793) y Sistemas (0.648) tienen cargas factoriales positivas en este componente. Esto indica que estas variables están fuertemente asociadas con el Componente 1, lo que sugiere que este componente puede representar un constructo relacionado con la efectividad organizativa o la gestión. Las cargas superiores a 0.60 indican una buena correlación con el componente, sugiriendo que estas variables explican en gran medida la varianza de este componente (^{Field, 2018}). En el Componente 2 se agrupan las variables Intra-Eficacia (0.757), Adaptabilidad (0.675) y Liderazgo (0.801), al igual que el componente 1, se indica una buena correlación del componente.

Los resultados indican que las variables analizadas se agrupan fuertemente en dos componentes, sugiriendo constructos como un buen predictor de la varianza observada en las variables. La rotación ha facilitado la identificación de dos grupos o factores claramente diferenciados: uno centrado en aspectos tecnológicos y de innovación organizacional, y otro en competencias personales y gerenciales. Esta diferenciación es crucial para el análisis, ya que permite comprender cómo se agrupan las variables y qué dimensiones clave explican la mayor parte de la varianza en los datos.

Ecuaciones Estructurales/Ajuste del Modelo

En la tabla 4 se muestran los resultados del Ajuste del Modelo Estructural, el estadístico CMIN (también conocido como Chi-cuadrado) evalúa el ajuste general del modelo comparando los datos observados con los esperados según el modelo propuesto.

Idealmente, un valor de CMIN bajo indica un buen ajuste, en este caso, el CMIN = 9.471 con grados de libertad (DF) no es extremadamente alto, lo que sugiere que el modelo propuesto es razonable. El valor p = .034, un valor p menor a 0.05 indica que una sensibilidad hacia una diferencia entre el modelo propuesto y los datos observados. La razón CMIN/DF es un índice de ajuste comúnmente utilizado, donde valores cercanos o menores a 2 indican un buen ajuste (^{Byrne, 2016}; ^{Kline, 2020}).

En este caso, el valor es 1.184, lo que sugiere un muy buen ajuste del modelo a los datos. De hecho, un valor menor a 3 también es considerado aceptable (^{Schumacker y Lomax, 2016}). El modelo tiene un buen ajuste a los datos, como lo indica el CMIN/DF de 1.184 y el valor p de 0.034. Esto significa que las discrepancias entre el modelo teórico y los datos observados no son suficientes como para rechazar el modelo propuesto, lo que sugiere que las relaciones entre las variables están adecuadamente representadas.

Bondad de Ajuste del Modelo

A continuación, se presenta la tabla 5, en donde se analizan los índices de ajuste comparativo se usan para evaluar el ajuste de un modelo teórico a los datos observados.

En el caso de Normed Fit Index (NFI) compara el modelo propuesto con un modelo base (en general, uno nulo), indicando qué tan bien se ajusta el modelo teórico, los valores cercanos a 1 indican un ajuste excelente, en este caso, un valor de 0.986 sugiere que el modelo tiene un muy buen ajuste respecto al modelo base.

Normalmente, un valor por encima de 0.95 se considera un buen ajuste (^{Bentler, 1990}; ^{Schumacker y Lomax, 2016}). El Relative Fit Index (RFI) es una modificación del NFI, ajustada para la complejidad del modelo. Valores más cercanos a 1 indican un mejor ajuste. Un valor de 0.974 indica un ajuste muy bueno y adecuado del modelo, en general, valores superiores a 0.90 se consideran adecuados (^{Bentler, 1990}; ^{Kline, 2020}).

El Incremental Fit Index (IFI) mide el ajuste incremental del modelo comparado con uno nulo (sin estructura). Valores cercanos a 1 indican un excelente ajuste. Un valor de 0.998 muestra un ajuste prácticamente perfecto, lo que significa que el modelo propuesto mejora considerablemente con respecto al modelo nulo, valores por encima de 0.95 son considerados muy buenos (^{Hu y Bentler, 1999}). El Tucker-Lewis Index (TLI), también conocido como el Non-Normed Fit Index (NNFI), ajusta el NFI considerando la complejidad del modelo. Al igual que el IFI, valores cercanos a 1 indican un ajuste muy bueno.

En este caso, un valor de 0.996 indica un ajuste casi perfecto, reflejando que el modelo es muy adecuado con relación a su complejidad, en general, valores mayores a 0.95 son considerados excelentes (^{Byrne, 2016}). El Comparative Fit Index (CFI) es uno de los índices más utilizados en SEM y mide el ajuste relativo del modelo comparado con uno nulo.

Valores por encima de 0.95 son considerados buenos, y un valor de 0.998 indica un ajuste sobresaliente. Esto sugiere que el modelo propuesto se ajusta muy bien a los datos (^{Bentler, 1990}; ^{Hu y Bentler, 1999}). Los resultados de los índices de ajuste comparativo sugieren que el modelo tiene un ajuste excepcional con los datos.

Todos los valores están por encima de 0.95, lo que indica que el modelo propuesto representa muy bien las relaciones observadas en los datos, tanto en términos de comparación con un modelo nulo como en su ajuste incremental. Estos resultados son consistentes con un modelo bien ajustado y adecuadamente especificado.

La tabla 6 presenta los pesos de regresión, los cuales indican la fuerza y dirección de la relación entre las variables latentes y observadas en el modelo. Las estimaciones representan el peso de la relación entre las variables. Un valor positivo indica una relación positiva entre la variable independiente (predictora) y la variable dependiente (predicha) (^{Byrne, 2016}).

El resultado DO (desarrollo organizacional) <--- L (liderazgo) (DO como resultado de L) muestra una estimación: 0.791, esto sugiere que una unidad de cambio en la variable latente L (Liderazgo) está asociada con un aumento de 0.791 en DO (Desarrollo Organizacional). P6 <--- L tiene una estimación de 0.897, indica que un incremento en L se asocia con un aumento de 0.897 en P6. En seguida P7 <--- L muestra una estimación de 0.995 lo cual indica una relación muy fuerte entre L y P7, donde un aumento en L está asociado con un incremento de 0.995 en P7. Revisamos ahora P24 <--- DO con estimación de 1.152, esto indica que un incremento en DO se asocia con un aumento de 1.152 en P24. En la estimación P25 <--- DO igual a 0.881 sugiere que un aumento en DO también se asocia con un incremento de 0.881 en P25.

Los errores estándar (S.E.) indican la variabilidad de la estimación. Un menor error estándar sugiere una estimación más precisa. Por ejemplo, el error estándar para la relación entre P6 y L es 0.085, lo que indica una estimación relativamente precisa.

La Razón Crítica (C.R.) se calcula como la estimación dividida por el error estándar. Un valor C.R. alto (generalmente > 1.96) indica que la relación es significativa. Todas las C.R. en este análisis son mayores a 1.96, indicando que todas las relaciones son estadísticamente significativas. Por ejemplo, el C.R. de P24 <--- DO es 12.264, lo que indica una relación muy fuerte y significativa entre estas variables.

Los valores p proporcionan evidencia sobre la significancia estadística de las estimaciones. Los valores p indicados como *** (tres asteriscos) indican significancia estadística muy alta (p < 0.001) (^{Kline, 2020}). Esto significa que hay una probabilidad muy baja de que estos resultados se deban al azar. Los resultados sugieren que la variable latente L tiene un impacto significativo en las variables observadas DO, P6, y P7. A su vez, DO también tiene un efecto significativo en las variables P24 y P25. Las relaciones son fuertes y significativas, lo que sugiere que las variables latentes están bien modeladas y que el modelo tiene un ajuste adecuado a los datos (^{Schumacker y Lomax, 2016}).

Los Coeficientes de Regresión Estandarizados permiten evaluar la fuerza y dirección de las relaciones entre las variables latentes y las variables observadas en el modelo, indican el cambio en la variable dependiente (predicha) por cada unidad de cambio en la variable independiente (predictora), expresado en términos de desviaciones estándar (^{Byrne, 2016}).

Esto permite comparar la importancia relativa de diferentes predictores dentro del mismo modelo. Por lo que DO <--- L sugiere que un aumento de una desviación estándar en la variable latente L (Liderazgo) se asocia con un aumento de 0.769 desviaciones estándar en DO (Desarrollo Organizacional), este es un efecto fuerte, indicando que la variable L tiene una influencia considerable en DO. P5 <--- L con una estimación de 0.692 indica que un incremento de una desviación estándar en L se asocia con un aumento de 0.692 desviaciones estándar en P5, esto sugiere que L tiene un impacto importante en P5, aunque es menos fuerte que su efecto sobre DO. Para la relación P6 <--- L se obtiene una estimación de 0.679, de igual forma, un aumento en L se asocia con un incremento de 0.679 desviaciones estándar en P6, lo que también indica un impacto significativo, aunque un poco menor que el de P5.

En la relación P7 <--- L se obtiene una estimación de 0.594, esto indica que un incremento de una desviación estándar en L, lo cual se asocia con un aumento de 0.594 desviaciones estándar en P7, aunque sigue siendo significativo, este coeficiente es el más bajo de los cuatro, sugiriendo que la relación es más débil en comparación con las otras variables.

En el caso de P23 <--- DO la estimación es igual a 0.687, esto indica que un aumento de una desviación estándar en DO se asocia con un incremento de 0.687 desviaciones estándar en P23. Esto sugiere una relación significativa y positiva entre DO y P23. En cuanto a P24 <--- DO la estimación es de 0.821, con un incremento en DO está asociado con un aumento de 0.821 desviaciones estándar en P24. Este es el coeficiente más alto entre las variables dependientes de DO, lo que indica que DO tiene un impacto considerable en P24. Para el valor de la relación de P25 <--- DO la estimación: 0.586, un aumento de una desviación estándar en DO se asocia con un incremento de 0.586 desviaciones estándar en P25, lo que indica una relación positiva, aunque más débil en comparación con P23 y P24 (^{Kline, 2020}).

Los resultados sugieren que la variable latente L tiene un impacto significativo en las variables observadas DO, P5, P6 y P7, con el efecto más fuerte observado en DO. A su vez, DO influye significativamente en las variables P23, P24 y P25, siendo P24 la más afectada (^{Schumacker y Lomax, 2016}). Estos hallazgos destacan la importancia de la variable L (Liderazgo) en la predicción de resultados organizacionales y otros constructos observados.

En la tabla 7 se analizan los valores de Varianza que indican la variabilidad de las variables latentes y observadas en el modelo en donde L (Variable Latente) tiene una estimación de 0.164, este valor representa la varianza de la variable latente L.

Una varianza de 0.164 indica que hay una variabilidad considerable en L dentro de la muestra. Esto significa que la variable L tiene un impacto medible y significativo en el modelo, a su vez, C.R. igual a 6.943 y P < 0.001 sugieren que esta varianza es estadísticamente significativa, indicando que la variable latente L es importante para el modelo (^{Rodríguez, 2024}).

La varianza para e26 es relativamente baja, lo que sugiere que la medición de esta variable es bastante precisa, a su vez C.R. igual a 5.131 y P < 0.001 indican que esta varianza es significativa, aunque la varianza del error es pequeña, lo que implica que la variable medida está alineada con el constructo subyacente.

Las varianzas de las variables e5, e6, e7, e23, e24 y e25 muestran valores de varianza que varían desde 0.111 hasta 0.298, con e7 teniendo la varianza más alta, todos estos errores tienen C.R. altos y son estadísticamente significativos. Esto sugiere que, aunque hay variabilidad en los errores de medida, cada una de estas variables contribuye de manera significativa a la varianza total observada en el modelo (^{Byrne, 2016}; ^{Kline, 2020}; ^{Schumacker y Lomax, 2016}).

Los resultados muestran que todas las varianzas estimadas son significativas y reflejan una variabilidad en las variables latentes y de error. La varianza de la variable latente L sugiere que tiene un impacto en el modelo, y los errores de medida también son significativos, lo que indica que las mediciones son razonablemente precisas.

Futuras Líneas de Investigación

Futuras investigaciones podrían centrarse en explorar cómo los diferentes estilos de liderazgo afectan a la dinámica de los equipos y cómo las habilidades socioemocionales pueden ser integradas en la formación de líderes en distintos sectores. Además, sería relevante analizar el impacto del desarrollo organizacional en diferentes culturas empresariales y contextos globales, así como explorar cómo la tecnología emergente influye en las competencias de liderazgo necesarias para afrontar la Cuarta Revolución Industrial.

El papel de las habilidades socioemocionales en la cultura organizacional y el desempeño, investigando cómo las habilidades socioemocionales de los líderes impactan la cultura organizacional y, a su vez, influyen en el desempeño organizacional desde la perspectiva de cómo un liderazgo emocionalmente inteligente puede moldear una cultura organizacional positiva, para responder a las siguientes preguntas de investigación:

¿Cómo afecta el liderazgo basado en la inteligencia emocional en el clima organizacional y el bienestar de los empleados?

¿Cuáles habilidades socioemocionales son primordiales para fortalecer la cohesión de equipos multiculturales en organizaciones del siglo XXI?