Los líderes dan a sus colaboradores información sobre las expectativas y estándares de desempeño que deben cumplir en sus actividades; con un trato amable, honesto y justo, les brindan también soporte social a través de distintos tipos de recursos (Ali, Usman, Pham, Agyemang-Mintah y Akhtar, 2020; Karam et al., 2019). En la PSS se manifiesta la forma en que los empleados se dan cuenta del apoyo de sus superiores, su punto de vista sobre el grado en que sus jefes aprecian sus contribuciones y se preocupan por su bienestar (Eisenberger et al., 2002; Griffin et al., 2001; Sguera, Bagozzi, Huy, Boss y Boss, 2018; Smit, Stanz y Bussin, 2015). Cabe agregar que esta variable se considera un marco de referencia crítico para comprender y predecir los comportamientos y actitudes en el entorno laboral (Park, Kim y Kang, 2017).

Distintos trabajos (Afzal, Arshad, Saleem y Fa-rooq, 2019; Aoyagi, Cox y McGuire, 2008; DeConinck, 2010; Eisenberger et al., 2016; Gordon, Adler, Day y Sydnor, 2019; Griffin et al., 2001; Lloréns-Montes, Ruiz-Moreno y García-Morales, 2005; Rozell y Gundersen, 2003; Sguera et al., 2018; Shanock y Eisenberger, 2006; Smit et al., 2015) han identificado que la PSS tiene efectos positivos en variables como la satisfacción laboral, la autonomía, el compromiso, la confianza del empleado, el comportamiento responsable, la percepción del apoyo que brinda la empresa, la cohesión, el cinismo organizacional, la retención del empleado, la satisfacción con la carrera, la intención de rotación y la permanencia laboral. En el sector gubernamental, en el estudio de Jin y McDonald (2016) , realizado en Estados Unidos de Norteamérica con empleados de gobiernos locales y estatales, se identificó que la PSS incide favorablemente en el engagement a través de la mediación de la percepción de apoyo organizacional (PSO). Otra investigación, desarrollada en Kenia con trabajadores de un condado (Nzuki, 2020), evidenció que la PSS influye positiva y significativamente en el desempeño de la organización.

La autonomía se considera una experiencia de voluntad y disposición, en ella se manifiesta el grado en el que, en su empleo, un trabajador puede tomar decisiones y tener discrecionalidad, autodeterminación y control en los procedimientos, metas, actividades, prioridades, ritmo y esfuerzo (Koys y DeCotiis, 1991; Patterson et al., 2005; Slemp et al., 2015; Thompson y Prottas, 2006; Vansteenkiste, Ryan y Soenens, 2020; Wang y Cheng, 2010). Esta variable se considera útil para satisfacer necesidades individuales y organizacionales (Chiniara y Bentein, 2016; Deci y Ryan, 2002; Gagné y Deci, 2005; Slemp, Kern, Patrick y Ryan, 2018; Vansteenkiste et al., 2020). A nivel individual, el trabajador con autonomía experimenta un sentido de integridad: en él existe una autoaprobación de pensamientos, sentimientos y acciones (Vansteenkiste et al., 2020). Además, se ha identificado que dar autonomía a los empleados es un nutrimento social que ayuda al bienestar de las relaciones interpersonales entre ellos y sus superiores (Reeve, 2015).

El apoyo del supervisor influye en la autonomía del empleado. Trabajos en distintos entornos han identificado que un estilo de supervisión que favorece la autonomía reconoce distintas perspectivas individuales, busca el empoderamiento y ofrece oportunidades para elegir (Chen, Kirkman, Kanfer, Allen y Rosen, 2007; Sguera et al., 2018; Slemp et al., 2018). Un metaanálisis reciente (Slemp et al., 2018) corroboró planteamientos previos (Eisenberger et al., 2002) que postulan que el supervisor tiene una influencia significativa en la autonomía percibida de los subordinados. Por ello, se propone que:

H1: el apoyo del supervisor influye positiva y significativamente en la autonomía del empleado.

En la PSO se manifiesta, desde la óptica del trabajador, el valor que la organización otorga a sus contribuciones, la preocupación por su bienestar y la apreciación de que existen procedimientos justos y condiciones laborales propicias (Eisenberger et al., 2016; Giorgi et al., 2016). Si la PSO es favorable, por un lado, se incrementa el desempeño laboral, el comportamiento proactivo, el compromiso afectivo, el engagement, el estado de ánimo y la permanencia en el empleo y, por otro, disminuye el ausentismo, la fatiga, el burnout, la ansiedad y los comportamientos de evasión (Eisenberger et al., 2016; Giorgi et al., 2016; Park et al., 2017; Rhoades y Eisenberger, 2002; Slemp et al., 2015).

En el sector gubernamental, un trabajo desarrollado en Ghana (Boateng, 2014) con oficiales de policía identificó que cuando estos consideraban que la organización los apoyaba y se preocupaba por su bienestar, mejoraba significativamente el cumplimiento de sus deberes. Otro estudio (Allen, Armstrong, Reid y Riemenschneider, 2008), realizado en Estados Unidos de Norteamérica con trabajadores de tecnologías de la información de un gobierno estatal, indagó sobre algunos antecedentes relevantes de la POS; se encontró que en las organizaciones gubernamentales las relaciones de tutoría de carrera (career mentoring) no solo ayudan a los empleados a lidiar con el estrés, sino que los preparan para desarrollarse en su empleo.

La PSS incide en la PSO. Desde la óptica de los empleados, el supervisor es un agente que actúa en beneficio de la organización (Jin y McDonald, 2016). Por ello, la orientación favorable o desfavorable del supervisor hacia ellos les da indicios del apoyo de la organización e incluso su conducta incide en la percepción sobre la justicia organizativa y procedimental de las firmas (Eisenberger et al., 2002; Karam et al., 2019; Rhoades y Eisenberger, 2002). Consecuentemente, cuando los supervisores ayudan, son considerados y tratan justamente a las personas, se fortalece la PSO (Eisenberger et al., 2016; Rhoades y Eisenberger, 2002). Trabajos recientes, como el de Smit et al. (2015) y el de Shi y Gordon (2020) , señalan que existen correlaciones significativas entre la PSO y la PSS y destacan a la PSS como uno de los antecedentes principales y el indicador más relevante de la PSO. Por ello se considera que en el contexto estudiado:

H2: el apoyo del supervisor influye positiva y significativamente en la PSO.

La cohesión es una variable que se estudia en distintas disciplinas y campos académicos, desde la sociología hasta el deporte, los negocios, la música, la ciencia política y la psicología (Eys y Kim, 2017). El término cohesión viene de la palabra latina cohaesus, que significa vínculo íntimo y cercano (Nwobia y Aljohani, 2017). En el entorno organizacional, se le define como la inclinación, integración y cercanía de los miembros de un equipo para forjar lazos sociales, su tendencia o atracción para permanecer y trabajar juntos y unidos en la búsqueda de objetivos (Carron, 1982; Salas et al., 2015; Tekleab, Karaca, Quigley y Tsang, 2016).

El supervisor es un agente relevante para lograr la cohesión. El comportamiento proactivo del líder fomenta la cohesión del equipo, al motivarlo y conciliar sus intereses (Lloréns-Montes et al., 2005); además, su apoyo y asistencia son indispensables para proveer los recursos y apoyar psicológicamente al equipo cuando se requiera (Severt y Estrada, 2015). Asimismo, los líderes pueden contribuir a la cohesión del equipo, y como resultado de ello los recursos se utilizarán complementaria y colectivamente para enfrentar los desafíos laborales (van der Voet y Steijn, 2020). En el entorno gubernamental, un trabajo desarrollado en Holanda identificó que el líder, al crear significados compartidos, une a los miembros del equipo (van der Voet y Steijn, 2020). En resumen, diversos trabajos (Aoyagi et al., 2008; Lloréns-Montes et al., 2005; Rozell y Gundersen, 2003; van der Voet y Steijn, 2020) indican que el comportamiento del supervisor impacta en la cohesión del grupo. Por ello, se postula que, en la dependencia gubernamental estudiada:

H3: el apoyo del supervisor influye positiva y significativamente en la cohesión del grupo.

A continuación, en la figura 1, se expone el modelo conceptual de investigación en el cual se muestran las relaciones propuestas entre la percepción del apoyo que brinda el supervisor y la autonomía, la percepción del apoyo organizacional y la cohesión.

Figura 1 Fuente: elaboración propia.

Se siguieron los pasos para llevar a cabo un análisis compuesto confirmatorio (ACC) en PLS-SEM para modelos reflectivos de medición, sugeridos por Hair, Howard y Nitzl (2020) . Estos autores indican que el ACC es un proceso metodológico sistemático para confirmar los modelos de medición en los modelos PLS-SEM; se trata de un análisis basado en variables compuestas (composites), una extensión del análisis de componentes principales. Señalan además que este método, a diferencia del análisis factorial confirmatorio (AFC), maximiza la varianza extraída de las variables exógenas, para facilitar la predicción de las variables endógenas y la confirmación de los modelos de medición. Finalmente, agregan que, comparativamente con el AFC, permite retener un mayor número de ítems en la medición de los constructos, lo que mejora la cobertura de contenido y la validez del constructo.

Paso 1. Cargas factoriales. Dado que los ítems Sopsup7 (cf = 0,650), Coh1 (cf = 0,687) y SOrg9 (cf = 0,658) eran menores del punto de corte mínimo de 0,708, se eliminaron del modelo. El resto de los ítems exceden dicho punto de corte y fueron estadísticamente significativos (valores t > 1,96).

Paso 2. Fiabilidad del ítem. Se elevaron al cuadrado las cargas factoriales (cf) estandarizadas de los ítems del modelo. En todos los casos, las cf2 fueron > 0,50, lo que evidencia que los ítems comparten al menos un 50% de varianza con el constructo asociado.

Paso 3. Fiabilidad compuesta del modelo. Se revisaron los indicadores alfa de Cronbach y fiabilidad compuesta (FC). En todos los casos se superó el punto de corte mínimo de 0,70. Sin embargo, la FC de la PSS y de la PSO era mayor a 0,95 (lo cual puede indicar la existencia de ítems que miden el mismo concepto y son redundantes). La recomendación en ese sentido es revisar las correlaciones inter-ítem, para identificar posibles ítems redundantes. Los ítems Sopsup1, Sopsup4 y Sopsup5, SOrg4 y Sorg3 presentaban altas correlaciones con otros indicadores, por lo cual se revisaron y se eliminaron del modelo de medición. Con ello, se cumplió con los puntos de corte mínimo y máximo recomendados (tabla 2).

Tabla 2

Constructo	Alfa de Cronbach	Fiabilidad compuesta	Varianza extraída media (AVE)
PSS	0,920	0,943	0,807
Autonomía	0,897	0,929	0,769
Cohesión	0,894	0,926	0,759
PSO	0,924	0,940	0,725

Fuente: elaboración propia a partir de resultados de Smart PLS.

Paso 4. Varianza extraída media. Este indicador calcula la varianza extraída entre el constructo y sus indicadores y se recomienda como valor mínimo 0,50. Los valores AVE de los cuatro constructos cumplen con lo sugerido (tabla 2).

Paso 5. Validez discriminante. Para determinar este tipo de validez, se recomienda utilizar el ratio Heterotrait-Monotrait (HTMT) de las correlaciones (Hair et al., 2020), el cual promedia las correlaciones heterotrait-heteromethod (correlaciones entre indicadores que miden constructos distintos) (Henseler, Ringle y Sarstedt, 2015). Existe validez discriminante cuando los ratios HTMT son menores del punto de corte establecido. Los puntos de corte sugeridos son 0,90 para constructos similares y 0,85 para aquellos conceptualmente distintos 0,85 (Hair, Risher, Sarstedt y Ringle, 2019). En la tabla 3 se presentan los resultados. Como en ella se observa, las variables latentes muestran valores inferiores a 0,85 para constructos distintos y en el caso de la PSS y el PSO (constructos similares), el ratio HTMT es menor a 0,90.

Tabla 3

	PSS	Autonomía	Cohesión
PSS
Autonomía	0,753
Cohesión	0,729	0,676
PSO	0,889	0,753	0,778

Fuente: elaboración propia a partir de resultados de Smart PLS.

Paso 6. Validez nomológica. Este tipo de validez puede determinarse correlacionando los puntajes de los constructos del modelo con otro constructo no incluido en él. La validez nomológica se determina a partir de la consistencia de las correlaciones en términos de dirección teórica, tamaño y significancia estadística; para determinar la naturaleza de las relaciones teóricas con el constructo adicional, se recurre a resultados de investigaciones previas (Hair et al., 2020). En este estudio, se utilizó la variable sexo como constructo adicional. En cuanto a esta variable, trabajos previos indican que no influye en la PSO (Allen et al., 2008; Boateng, 2014) ni en la PSS (Gordon et al., 2019; Little, 2017), en la autonomía (Adler, 1993) o en la cohesión (Carron, Bray y Eys, 2002; Hornaday, 2001). En la tabla 4 se exhiben los resultados. Como en ella se observa, no existe significancia en las correlaciones de las variables del modelo con el sexo. Con ello, se demuestra que existe validez nomológica en el modelo de medición reflectivo.

Tabla 4

		PSS	Autonomía	PSO	Cohesión
Sexo	Correlación de Pearson	0,126	0,107	0,113	0,077
	Sig. (2-colas)	0,195	0,271	0,244	0,427
	N	108	108	108	108

Fuente: elaboración propia a partir de resultados de SPSS.

Paso 7. Validez predictiva. Hair et al. (2020) señalan que este tipo de validez evalúa el grado en que las puntuaciones de un constructo predicen las puntuaciones en alguna medida de criterio; aunque similar a la validez concurrente, la predictiva requiere de una variable criterio que se recopila en un momento posterior. Agregan que en el caso de modelos de medición reflectivos, otro criterio susceptible de aplicar es la invarianza del constructo a partir del procedimiento de invarianza de medición de modelos compuestos (MICOM, por sus siglas en inglés). En este estudio se utilizó dicho procedimiento. Henseler, Ringle y Sarstedt (2016) , autores de MICOM, indican que establecer la medición de la invarianza permite que los investigadores se aseguren de que las estimaciones distintas entre grupos específicos no provienen de contenidos o significados diferentes, lo cual se logra cuando el modelo de medición cumple con las siguientes condiciones: invarianza configuracional, invarianza de composición e igualdad de medias y varianzas en los puntajes del constructo. Respecto a la varianza configuracional, indican que es necesario que el constructo haya sido igualmente especificado para todos los grupos y que surja como una entidad unidimensional en la red nomológica y, por tanto, en la medición del modelo debe existir coincidencia entre los grupos en los indicadores utilizados, el tratamiento de los datos y la configuración de algoritmos o criterios de optimización. Estos requisitos se cumplen en este trabajo de investigación. Respecto a la invarianza de composición, señalan que la forma en que agrupan los indicadores en los composites debe ser similar en los grupos; es decir, las puntuaciones de los composites deben haberse creado de la misma manera. Para ello, se calcula la correlación entre las puntuaciones de los composites de los grupos; si la correlación no es significativamente diferente de 1, puede asumirse que los composites se han creado de forma similar entre los grupos y, por tanto, hay invarianza composicional. En este trabajo de investigación se utilizaron dos grupos: hombres y mujeres. En la tabla 5 se presentan los resultados del procedimiento MICOM para los grupos (fase 2). Como en ella se observa, la correlación entre los puntajes del composite del primer grupo (hombres) y los puntajes del segundo grupo (mujeres) no es significativamente distinta de 1, lo que evidencia que existe invarianza de composición, es decir, el composite se ha establecido de forma similar en los grupos.

Tabla 5

Correlación original		Correlación de medias de permutación	5%	P-valores de permutación
PSS	1	1	0,999	0,596
Autonomía	0,999	0,999	0,995	0,509
Cohesión	0,997	0,998	0,994	0,254
PSO	0,999	0,999	0,998	0,583

Fuente: Smart PLS.

Finalmente, se revisó la existencia de diferencias significativas entre los valores de las medias y varianzas de los puntajes del constructo entre los grupos. Como se muestra en la tabla 6, no existen diferencias en los puntajes de los constructos de los hombres y los puntajes de los constructos de las mujeres.

Tabla 6

	Diferencias originales (Hombres-Mujeres)	Diferencia de medias de permutación (Hombres-Mujeres)	2,5%	97,5%	P-valores de permutación
		Medias
PSS	-0,256	0,003	-0,376	0,376	0,198
Autonomía	-0,218	0,002	-0,388	0,374	0,261
Cohesión	-0,157	0,001	-0,400	0,373	0,427
PSO	-0,230	0,000	-0,382	0,379	0,232
		Varianzas
PSS	0,346	-0,019	-0,555	0,496	0,186
Autonomía	0,040	-0,011	-0,511	0,471	0,884
Cohesión	0,460	-0,014	-0,546	0,506	0,095
PSO	0,423	-0,023	-0,595	0,523	0,143

Fuente: Smart PLS.

Se revisaron los coeficientes de determinación (R2), los paths estructurales y el indicador Q2.

Coeficiente de determinación (R2). Este indicador permite valorar la calidad de predicción del modelo estructural, dado que indica el grado en el que el modelo explica los datos (Seidel y Back, 2009). Para determinar su magnitud, los criterios son los siguientes: una R2 de 0,67 se considera sustancial, una R2 de 0,35, moderada y una R2 de 0,19 se considera débil (Chin, 1998; Henseler, Ringle y Sinkovics, 2009). De acuerdo con los resultados, el modelo explica de forma moderada-sustancial tanto la autonomía (0,500) como la cohesión (0,477), y casi sustancialmente la PSO (0,636).

Tabla 7

Suma de cuadrados del error de predicción (SSO)		Suma de cuadrados del error utilizando la media para la predicción (SSE)	Validación cruzada de la redundancia del constructo
Autonomía	432,000	276,406	0,360
Cohesión	432,000	288,233	0,333
PSO	540,000	284,552	0,473

Fuente: elaboración propia a partir de resultados de Smart PLS.

En la figura 2 se presenta el modelo contrastado. En dicho modelo, se presentan los valores de las cargas factoriales de cada uno de los constructos, los valores path de las relaciones estructurales y los valores R2 de las variables endógenas.

Figura 2 Fuente: elaboración propia de acuerdo a resultados de Smart PLS.

En PLS, este tipo de análisis se utiliza para probar la existencia de diferencias significativas en los parámetros de estimación de grupos específicos; con su aplicación, los investigadores son capaces de testar diferencias entre dos modelos idénticos, para grupos distintos que fueron definidos previamente (Matthews, 2017). En este estudio, se realizaron tres análisis multigrupo (MGA), con grupos creados a partir de la agrupación de los participantes de acuerdo con su sexo, antigüedad y edad (tabla 8).

Tabla 8

	Diferencia en los Coeficientes path	Valor p original 1 cola	Valor p nuevo
	Sexo (Hombres versus Mujeres)
PSS → Autonomía	-0,120	0,784	0,432
PSS → Cohesión	0,069	0,240	0,481
PSS → PSO	0,114	0,037	0,075
	Antigüedad (Menor a 3 años versus Mayor a 3 años)
PSS → Autonomía	-0,047	0,611	0,778
PSS → Cohesión	0,121	0,109	0,219
PSS → PSO	-0,028	0,669	0,663
	Edad (Menor a 30 años versus Mayor a 30 años)
PSS → Autonomía	0,149	0,116	0,231
PSS → Cohesión	-0,211	0,991	0,019*
PSS → PSO	0,026	0,342	0,683

*p<0,05

Los resultados del MGA creados a partir de su sexo indican que no existen diferencias significativas en las relaciones planteadas; es decir, los paths estructurales del modelo para los hombres no son significativamente distintos de los paths estructurales del modelo para las mujeres. En el caso de la antigüedad, se crearon dos grupos: personal con hasta tres años en la dependencia y personal con más de tres años en ella. Lo anterior, ya que se recomienda que los grupos cuenten con al menos 10 participantes. En este caso, los resultados son similares al MGA previo: los paths estructurales del modelo para las personas con antigüedad de hasta tres años no son significativamente distintos de los paths estructurales del modelo de las personas con antigüedad mayor a tres años. En el caso de la edad, también se crearon dos grupos: empleados con una edad de hasta 30 años y empleados mayores de 30 años. En este análisis MGA, se identificó que existe diferencia en una de las tres relaciones estructurales: PSS y cohesión (diferencia en coeficientes path = -0,211, valor p nuevo = 0,019*). El path estructural de esta relación en el grupo de personas menores a 30 años es 0,571 (t = 6,534) y el de los mayores a esa edad es de 0,782 (t = 19,333). Lo anterior implica que, en las personas con una edad mayor a 30 años, la influencia del apoyo del supervisor sobre la cohesión es mayor, en comparación con los empleados menores a 30 años.