El modelado de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM) utiliza el remuestreo bootstrap para calcular la significancia de las estimaciones de los parámetros del modelo (por ejemplo, coeficientes de ruta y cargas externas). Sin embargo, cuando los datos son de series temporales, como en el modelado de la mezcla de marketing, el remuestreo bootstrap muestra inconsistencias que surgen debido a que la serie tiene una estructura de autocorrelación y contiene eventos estacionales, como Navidad o Viernes Negro, especialmente en el comercio minorista multicanal, lo que hace que el análisis de significancia del modelo PLS-SEM sea poco confiable. La alternativa propuesta en esta investigación utiliza el remuestreo de máxima entropía (meboot), una técnica diseñada específicamente para series temporales, que mantiene la estructura de autocorrelación y preserva la ocurrencia en el tiempo de eventos estacionales o cambios estructurales que ocurrieron en la serie original en la serie remuestreada. Los resultados mostraron que meboot tuvo un rendimiento superior al remuestreo bootstrap en términos de la coherencia de los datos remuestreados y la calidad del análisis de significancia.