7.6.1. INNOVACIÓN EN FUNCIÓN DE LA GC Y DE LAS TI

A través de la tabla 7.92, es posible determinar la bondad de ajuste del modelo. El parámetro R, llamado coeficiente de correlación múltiple, mide la correlación existente entre la variable dependiente (madurez en la innovación) y las dos variables independientes del modelo en conjunto (índices de madurez en la GC y en las TI). En este caso, se obtiene una correlación de 0,531, valor considerado como aceptable.

El parámetro R cuadrada (R Square), llamado coeficiente de determinación múltiple, indica el porcentaje de variación de la variable dependiente que puede ser explicada a través de las variables independientes consideradas en el modelo, mientras que la R cuadrada ajustada (Adjusted R Square) es una corrección a la baja de R2 que se basa en el número de casos y variables independientes, y constituye el verdadero coeficiente de correlación poblacional. Para este modelo, se puede decir que el 26% de los valores de la innovación en relación a su promedio, puede ser explicada por medio del modelo. Cabe mencionar que el valor obtenido de 0,260 es considerado como suficiente para denotar una relación significativa, ya que algunos investigadores como San Martin et al. (2005) consideran valores de 0,153, Zárraga y Bonache (2005) hablan de 0,129, Espino y Padrón (2005) hablan de 0,127, mientras que Salojärvi et al. (2005) consideran valores hasta de 0,099. Es necesario señalar que en modelos cualitativos como los de este estudio, se presenta la dificultad de que no hay una manera determinada de considerar las variables dentro del modelo, además, está claro, que las variables dependientes en este tipo de modelo se ven influenciadas por algunas otras variables más no consideradas en el presente estudio.

Una vez conocido los coeficientes de correlación y determinación múltiples, es necesario determinar la utilidad del modelo, es decir, es importante saber si alguna(s) de la(s) variable(s) independiente(s) contribuye(n) con información para la predicción de la variable dependiente. El decir que una de las variables independientes no contribuye a pronosticar la variable dependiente, equivale a decir que su coeficiente B (el cual se comentará más adelante) equivale a cero. Por tanto, en este punto se plantea la siguiente hipótesis a probar:

H0: B1 = B2 = ... = Bn = 0.

Si esta hipótesis es rechazada, significa que por lo menos una de las variables independientes participantes en el modelo, influye en la predicción de la variable dependiente. Para realizar este rechazo, se usa información proporcionada en la tabla 7,93, tal como el estadístico F que se comparará con el valor en tablas de F.05 basado en los grados de libertad (df) obtenidos, a través de la siguiente expresión:

F > F.05.

En este caso, el valor en tablas de F.05 basados en v1=2 y v2=65 grados de libertad (el tamaño de la muestra, 68, menos un grado de libertad por cada parámetro B del modelo, que en este caso son 3) es de 3,15, valor inferior al valor calculado de F (12,772), por lo tanto, es rechazada la hipótesis nula planteada previamente y se concluye que por lo menos una de las variables predictoras contribuye con información para la predicción de la innovación.

La tabla 7.94 muestra el análisis detallado para cada variable independiente participante en el modelo. Lo primero que hay que señalar son los valores B, que indican los coeficientes para cada variable independiente en la ecuación de predicción, la cual puede ser definida como la línea de “mejor ajuste” que minimiza la suma de los cuadrados de las desviaciones entre los valores observados y los pronosticados. Todos los valores de B en esta tabla son diferentes a cero, por lo que se puede decir que cada variable afecta, en alguna medida, la predicción de la innovación. Por tanto, la ecuación de predicción se define de la siguiente manera:

MAD_IN = 1,019 + 0,493 MAD_GC + 0,158 MAD_TI

Otro parámetro a considerar es el coeficiente estandarizado Beta, los cuales permiten valorar la importancia relativa de cada variable independiente dentro de la ecuación. En general, una variable tiene tanto más peso (importancia) en la ecuación de regresión cuanto mayor (en valor absoluto) es este coeficiente.

Pero cabe preguntarse, ¿cualquier valor del coeficiente B diferente de cero, por mínimo que sea, debe considerarse en la ecuación de predicción- La respuesta es NO. Para obtener la respuesta, se hace uso del estadístico t, el cual se compara con el valor de t?/2 obtenido en tablas a través de la siguiente expresión:

t > t?/2 o t < -t?/2

En caso de que alguna de las expresiones anteriores sea verdadera, se rechazará la hipótesis respectiva planteada Ho: Bi = 0, lo que significará que el coeficiente Bi tiene significancia en el modelo planteado.

Para conocer el valor en tablas de t, es necesario conocer, además de ?, los grados de libertad, que para este modelo es de 65. El valor de tablas para t0.025 basado en 65 grados de libertad es 1,96.

De acuerdo a los datos de la tabla, el valor de t para GC es de 4,142, el cual es mayor que 1,96, por lo cual se rechazaría la hipótesis respectiva, significando que la variable GC tiene relevancia en este modelo. Por el contrario, al ser inferior el valor de t para TI (1,345) en relación a t0.025, se acepta la hipótesis respectiva planteada, lo que significaría que la variable TI no tienen relevancia en este modelo, a pesar de tener un coeficiente - diferente de cero, y debe ser excluida. Una manera más sencilla de llegar a esta conclusión, es observando los valores del parámetro sig. Aquellas variables cuyo valor en sig, sea mayor a 0,05 deben ser excluidas y no ser consideradas en el modelo final.

Finalmente, la tabla 7.95 muestra los intervalos de confianza del 95%, equivalente a (1-?)%, para cada parámetro ?. Cabe señalar que este intervalo está dado por la fórmula

- - t?/2 * S?

y se interpreta de la siguiente manera: dado el aumento de una unidad en el valor de una variable independiente, se espera que el valor de la variable dependiente cambie en el rango de t?/2 * S- - - hasta - + t?/2 * S- con una confianza del 95%.

En resumen, se puede decir que la innovación en las PYME catalanas del sector agroalimentario se ve influenciada por las prácticas de GC que se lleven a cabo dentro de ellas, mientras que las TI no desempeñan papel significativo, claro está, siempre que este rol sea considerado junto a la GC. Este resultado, el cual era previsible al considerar estudios previos que demuestran la relación positiva entre la GC y la innovación, nos lleva a aceptar parcialmente la hipótesis H1.

Para probar la hipótesis H1a, se realizó la regresión lineal cuyos resultados se muestran en la tabla 7.96. La R2 ajustada desciende sensiblemente hasta 0,139, lo que nos da pauta a pensar la relación que tiene la GC y las TI con el contexto de innovación en que se desenvuelve la empresa así como la importancia que ésta le da a la innovación, y no solamente en las actividades de innovación que pueda llevar a cabo la organización. De manera similar al modelo previo, se obtiene una significancia aceptable para el modelo en general (0,003), sin embargo, al determinar los coeficientes de cada variable independiente, las TI no logran una significancia aceptable. Por tanto, se concluye que la madurez en la GC influyen en las actividades de innovación realizadas en las empresas estudiadas, no pudiéndose decir lo mismo para las TI. De esta manera, es aceptada parcialmente la hipótesis H1a.

A continuación se analiza este modelo general en las dos vertientes que lo integran: la innovación en función de la GC y la innovación en función de las TI.