La medición de la satisfacción del consumidor de servicios deportivos a través de la lógica borrosa / Customer satisfactionwith sports services: a fuzzy logic approach

esta investigación plantea el problema de medir la satisfacción de los consumidores de servicios deportivos desde un enfoque novedoso en psicología del deporte: la modelización de la incertidumbre a través del uso de la lógica borrosa. se han descrito sencillos procedimientos de análisis para operar con técnicas borrosas, con el fin de comprobar empíricamente en qué medida esta metodología puede complementar los resultados derivados de los métodos estadísticos tradicionales. de este modo, se profundiza sobre la relación entre las evaluaciones numéricas de la satisfacción de los consumidores y el grado de incertidumbre asociado a las evaluaciones lingüísticas. el enfoque propuesto ofrece la posibilidad de obtener información más rica sobre las actitudes del consumidor de servicios deportivos, superando las desventajas de los enfoques en “tercera persona” y evitando la posibilidad de la aparición de sesgo por categorización y por interacción entre juicios verbales y numéricos (AU)

This study focuses on measuring customer satisfaction within the context of sports services by using a novel approach in sport psychology: modelling uncertainty through the application of fuzzy logic. several analytical procedures for dealing with fuzziness have been described in order to verify empirically the extent to which this methodology complements the traditional statistical approach. this study examines the relationships between numerical evaluations of customer satisfaction and the degree of uncertainty linked to these verbal judgements. the proposed approach enriches the information on the attitudes of sport service consumers and overcomes the shortcomings of the “third-person” perspective. In addition, this proposal is robust against two sources of bias: scale coarseness, and interaction between numerical and verbal judgements (AU)

2El análisis factorial confirmatorio y la validez de escalas en modelos causales / Confirmatory factor analysis and the validity of the measurement scales within a causal modelling framework

Este artículo discute el papel que juegan los modelos de ecuaciones estructurales, y más concretamente, el análisis factorial confirmatorio, en relación a la validez de las escalas de medida cuando se proponen modelos causales. Se discuten los postulados de Hayduk (1996) y Borsboom, Mellenbergh y van Heerden (2004), con el fin de proveer un marco de análisis sobre el que los investigadores puedan decidir cómo operar a nivel empírico. El contraste de estas visiones en relación a la utilización generalizada del análisis en dos pasos de Anderson y Gerbing (1988), debe estimular la reflexión acerca de la idoneidad de éste último, y de los análisis de correlaciones asociados a la validez de criterio, convergente y discriminante(AU)

This research discusses the role of structural equation models and, specifically, confirmatory factor analysis, regarding the validity of the measurement scales when a casual model is proposed. The viewpoints of Hayduk (1996) and Borsboom, Mellenbergh and van Heerden (2004) are discussed, in order to provide a framework upon which researchers can decide how to proceed in applied research. The divergences of these perspectives with regard to the widespread use of the twostep procedure (Anderson and Gerbing, 1988) should encourage thinking about the suitability of the confirmatory factor analysis, and the adequacy of the empirical procedures for studying criterion, convergent and discriminant validity(AU)

La validez discriminante como criterio de evaluación de escalas: ¿teoría o estadística? / Discriminant validity as a scale evaluation criterion: theory or statistics?

La validez discriminante es uno de los criterios habituales para evaluar las escalas de medida de constructos latentes en ciencias sociales. Este artículo muestra como se pueden obtener resultados contradictorios si se aplican diferentes procedimientos estadísticos, por lo que se recomienda evaluar de forma teórica la divergencia entre escalas que representan conceptos. De este modo, la validez de contenido actúa como criterio robusto frente a determinados análisis estadísticos basados en covarianzas.

Discriminant validity is one of the usual criteria for evaluating measurementscales that define latent constructs in social sciences. This article shows howdifferent statistical procedures frequently used for accomplishing this aim can yield misleading results. Authors recommend a theoretical judgement about divergence among scales that are manifestation of latent concepts. Therefore, content validity represents a robust condition against certain covariance statistical based analysis.

Determinación de la máxima varianza para el cálculo del factor de imprecisión sobre la escala de medida, y extensión a diferentes tipos de muestreo / Determining the most unfavourable variance to calculate the Measurement Scale Imprecision Factor, and extension to other types of sampling methods

La precisión de las estimaciones tiene que ser adecuadamente descrita en la investigación mediante encuesta, donde las escalas de medida ordinales y de intervalo son comúnmente utilizadas. En relación a la estimación de valores medios poblacionales, los errores absoluto y relativo están en función de esas escalas de medida. Este trabajo discute algunas de las asunciones en las que se fundamenta el «Factor de Imprecisión sobre la Escala de Medida -FIEM-». Este índice es una herramienta para evaluar el grado de imprecisión de las estimaciones, independientemente del rango de la escala de medida considerado. Específicamente, proponemos un nuevo método para determinar la varianza más desfavorable, el cual es consistente con la asunción de normalidad en la población, a diferencia del método original basado en una distribución bimodal. Este método reduce el valor de la varianza más desfavorable, y es fácilmente calculado a partir de la función de distribución normal estándar. Además, se muestra la relación de FIEM con otros tipos de muestreo probabilístico, como el muestreo estratificado y por conglomerados (AU)

The precision of estimates must be adequately reported in survey research, where ordinal and interval measurement scales are commonly used. Regarding mean estimate, absolute and relative errors exist as a function of the measurement scales. This manuscript discusses some assumptions underlying the development of the Measurement Scale Imprecision Factor -MSIF-, a tool to assess the degree of imprecision of estimates, regardless of the scale rank considered. Specifically, we propose a new method for determining the most unfavourable variance, which is consistent with the normal distribution assumption, unlike the original assumption based on the bimodal distribution. This method reduces the value of the most unfavourable variance, which is easily computed using the cumulative normal standard distribution function. In addition, we show the relationship between MSIF and other types of probabilistic sampling methods, such as stratified and cluster sampling (AU)

[Determining the most unfavourable variance to calculate the Measurement Scale Imprecision Factor, and extension to other types of sampling methods]. / Determinación de la máxima varianza para el cálculo del factor de imprecisión sobre la escala de medida, y extensión a diferentes tipos de muestreo.

The precision of estimates must be adequately reported in survey research, where ordinal and interval measurement scales are commonly used. Regarding mean estimate, absolute and relative errors exist as a function of the measurement scales. This manuscript discusses some assumptions underlying the development of the Measurement Scale Imprecision Factor--MSIF--, a tool to assess the degree of imprecision of estimates, regardless of the scale rank considered. Specifically, we propose a new method for determining the most unfavourable variance, which is consistent with the normal distribution assumption, unlike the original assumption based on the bimodal distribution. This method reduces the value of the most unfavourable variance, which is easily computed using the cumulative normal standard distribution function. In addition, we show the relationship between MSIF and other types of probabilistic sampling methods, such as stratified and cluster sampling.