Introduccin a los Modelos de Ecuaciones

Estructurales con AMOS: Aplicaciones con

la EMOVI
Juan Enrique Huerta Wong
Roco Espinosa Montiel
Julio 2012

Modelos de Ecuaciones Estructurales

Objetivos de la sesin
Identificar qu son y qu aplicaciones tienen los
modelos de ecuaciones estructurales (SEM)
Identificar los elementos de los SEM
Identificar elementos bsicos de la teora de
estratificacin, como preparacin a un ejercicio
Familiarizarse con el paquete AMOS
Correr un ejercicio

Modelos de Ecuaciones Estructurales

Structural Equation Models

La modelacin de ecuaciones estructurales, tambin conocida como anlisis estructural
de covarianza, o simplemente, modelos causales (Arbuckle, 2007; Byrne, 2010; Lavee,
1988) .
a) Si un conjunto de variables observadas en realidad proveen significado a un
constructo diseado con base en la teora (confirmacin de una estructura de
factores)
b) Si un conjunto de constructos ajustan a un modelo terico (confirmacin de una
serie de modelos de regresin ejecutados sincrnicamente).

Familia de modelos estadsticos multivariados que permiten proponer

a) el tipo y direccin de las relaciones hipotticas entre diversas variables
b) estimar los parmetros especificados por las relaciones propuestas a nivel terico.

Puede ser vistos simplemente como una combinacin de anlisis factorial y de regresin (Hox
& Bechger)

Ventajas de usar AMOS

Analysis of MOment Structures

Cuenta con un ambiente grfico del objeto a estudiar
Identificacin de la validez del constructo
Forma intuitiva para el estudio de fenmenos y sus relaciones

Discusiones
Causalidad. Aunque algunos autores lo llamaron modelos causales, la
causalidad no se resuelve con mtodos de estimacin, sino con
diseos de investigacin (i.e., diseos experimentales)
Construccin de teora vs confrontacin de teora

Qu elementos podemos identificar en un Modelo

de Ecuaciones Estructurales?
Variable observada o indicador: son aquellas que se
mide a los sujetos, por ejemplo, la informacin con la
que contamos a partir de un cuestionario.
Variable latente: es la caracterstica que se deseara
medir pero que no se puede observar.

Qu elementos podemos identificar en un Modelo

de Ecuaciones Estructurales?
Error: representa tanto los errores asociados a la
medicin de una variable como el conjunto de
variables que no han sido contempladas en el
modelo y que pueden afectar a la medicin de una
variable observada. Es decir, la proporcin de la
varianza no explicada.

Qu elementos podemos identificar en un Modelo

de Ecuaciones Estructurales?
Variable exgena: es aquella que afecta a otra
variable y que no recibe efecto de ninguna variable.
Las variables independientes de un modelo de
regresin son exgenas.
Variable endgena: es aquella que recibe efecto de
otra variable. La variable dependiente de un modelo
de regresin es endgena. Toda variable endgena
debe ir acompaada de un error.

Variables observadas
Variables latentes
Variables exgenas
Variables endgenas
Errores de medicin

De la validez
Validez de contenido
Validez de criterio
Uso de un instrumento externo para saber si lo
que se mide realmente mide lo que se dice que
mide

De la validez
Validez de constructo
Mientras que en el grueso de constructos que
forman la teora social no es siempre posible tener
un indicador externo contra el cual confrontar la
variacin de un conjunto de variables observadas,
s es posible en cambio, identificar tal variacin a
la luz de un concepto tericamente conformado, a
lo cual le denominamos constructo (Borsboom,
Mellenbergh y Heerden, 2004).

Validez de constructo
Es decir, medir la influencia de una medicin sobre el
resultado de esa medicin.
Ante la incapacidad del investigador por encontrar lo que
realmente se dice que se mide, hay que conformarse
con identificar si la variabilidad de un instrumento a
afecta consistentemente la variabilidad de un constructo
tericamente propuesto.
Reconocer que en el mundo social no hay mediciones
reales sino imputaciones de los investigadores a
fenmenos del comportamiento.

Tipos de SEM
Anlisis factorial confirmatorio
Path Analysis (anlisis de trayectorias o sendas)
Full SEM

Ejemplos de PA (Norman & Streiner 2003)

AFC
.32

e4

Bao .49

e3

.56
.70

Refrigerador
.42

.65

e2

equipamiento

.54
Lavadora
.29

e1

Estufa

.31
.33

e7
e6
e5

Cable .71

.58
.84

Computadora
.66 .81

.27

comunicaciones

Internet

-.45

.12

e11

Acciones
.36

e10

Ahorros.43

.61
-.04

.35
.60
.66

e9

Cuenta.47 .69

e8

Tarjeta

-.46

finanzas
-.09
-.46

.03
-.06

.18

e13

casa

e12

automvil

.66

.81

propiedades
.10

ingreso

Anlisis factorial confirmatorio

El anlisis factorial confirmatorio es usado para observar si
un conjunto de variables observadas explica un factor
latente. La diferencia principal con el anlisis factorial
exploratorio o con el anlisis de componentes, es que el
AFC confirma un modelo previamente propuesto.
AFC es una tcnica particularmente conveniente para
confrontar la validez segn la definicin propuesta por
Borsboom, Mellenbergh y Heerden (2004).
AFC observa si las variables que componen un constructo
varan todas juntas, y si el constructo es afectado cuando
tales variables entran o salen del modelo, o si crecen o
decrecen.

AFC
El mayor objetivo es determinar cuanto la covarianza
propuesta ajusta la covarianza observada.
En otras palabras, si las relaciones entre las
variables en el modelo hipottico se parecen a las
relaciones entre las variables en el conjunto de
datos observados.

Full SEM
Un modelo completo de ecuaciones estructurales permite
la especificacin de la estructura de regresiones entre las
variables latentes.
Se denomina modelo completo a este modelo porque
contiene un modelo de medicin y un modelo estructural.
Por modelo de medicin se entienden las relaciones entre
las variables latentes y sus mediciones observadas (AFC), y
el modelo estructural se refiere a las relaciones entre las
variables latentes.
El modelo completo supone el esfuerzo del investigador por
proponer un modelo terico, o una serie de modelos
tericos, el cual se evala va la bondad de ajuste entre los
modelos propuestos y los datos del caso (Byrne, 2010).

Full SEM
Figure 1. Structural model for Political Participation
and Civic Awareness
e17
e9

.26

.28

e10

1.03

aware2
.25

.01

news1news2
1.02

.51

aware

.12

news

.53

aware4

e7

.13

.49

.48

e18

disc1 disc2 disc3 disc4

.58

e13

.24

e12

e8

.08

discuss
.76

.09e14

e6

aware5

.71

.50

aware3
.27

.50
.36 .52

.16

e5

.21.85
.75

.23

e11

.27

particip
.44

parents2

.71

partic1
.57
partic2

e1
e2

Elementos
Factor (variable latente)

Factor loading

Item 1
(variable observada)

Item 2
(Variable dependiente del factor)

error

Elementos Full SEM

1

Variable exgena

1
Regresin (B)

Correlacin

Variable endgena

Factor (variable latente)

Factor loading

Item 1
(variable observada)

Item 2
(Variable dependiente del factor)

error

5 Pasos del anlisis de modelos

Especificacin
Se proponen las relaciones

Identificacin
Diferencia entre el nmero de variables y el nmero
de parmetros a ser estimado
Tiene que haber ms parmetros conocidos que
desconocidos, es decir, debemos tener grados de
libertad positivos (V(V+1)/2)

Estimacin
Evaluacin
Re especificacin

Pasos para desarrollar un full SEM

Construccin del modelo terico

Anlisis factorial confirmatorio de escalas
Anlisis factorial confirmatorio completo
Modelo operacional
Anlisis de correlacin del modelo completo
Modelo de ecuaciones estructurales completo
Fall en ajustar los datos, ms modelos, ms modelos,
ms modelos

Estimacin de efectos directos e indirectos

Paso 1. AFC bienestar econmico

primer modelo
.32

e4

Bao .49

e3

.56
.70

Refrigerador
.42

.65

e2

equipamiento

.54
Lavadora
.29

e1

Estufa

.31
.33

e7
e6
e5

Cable .71

.58
.84

Computadora
.66 .81

.27

comunicaciones

Internet

-.45

.12

e11

Acciones
.36

e10

Ahorros.43

.61
-.04

.35
.60
.66

e9

Cuenta.47 .69

e8

Tarjeta

-.46

finanzas
-.09
-.46

.03
-.06

.18

e13

casa

e12

automvil

.66

.81

propiedades
.10

ingreso

AFC bienestar econmico modelo

completo
Figura 4. Validez estructural.31
de la Escala de Bienestar Econmico
e4

-.14

Bao.48

e3

Refrigerador
.43.65

e2

.15 .60
Lavadora
.36

.56
.69

equipamiento

.10

e1

Estufa-.12 .33
e7

Cable.70

e6

.83
Computadora
.68.82

e5

Internet

.09

.28
.57

.12

e11

Acciones
.36

e10

Ahorros
.44.66

e9

Cuenta.47.69

e8

Tarjeta

.22

comunicaciones
.61
.35
.60

finanzas

Anlisis factorial confirmatorio completo (con base en Blau y

Duncan, 1967; Flap y Volker, 2008; Warren y Hauser, 1997)

.67

e13

padequip1
.62

e12

padequip2

.44

.82

.79

equip casa pad

e14

padfina1
.60
.78

equipamiento

finanzas padre

.33
.31

equip2
.48

e2

.64equip3
.40

e3

equip4

e4

.83
.58

comm

.59

.72
.43
.85
educacin.66
padre
.81

educacin pat
e16
educacin de la madre

.29

.44

e5

.27
comm2
.67
.82

e6

comm3
.13

e7

fina1.38

e8

fina2.44

e9

fina3.45

e10

fina4

e11

.61

finanzas

.70

comm1
.33

.61
.36

.51

.53

.69

.31

.16

e17

e1

.55

.35

.45

padfina2

equip1
.31

.58

.28

.20

e15

.34

.66
.67

Modelo operacional
e22
1

educacin del hijo

e23
1

bienes_padre

bienes_hijo
e17
e16

1
1

educpad
educmad

educacin pat

Dos tipos de hiptesis

Hiptesis estructurales
HE1. Un modelo de cuatro factores independientes y simples
(cada variable cargando solamente en un factor), a saber,
ingreso, equipamiento domstico, propiedades y riqueza
financiera, ajustarn los datos del modelo terico.
HE2. Existe una significativa covarianza positiva entre ingreso,
equipamiento domstico, propiedades y riqueza financiera.

Hiptesis confirmatorias
CH11: A mayor equipamiento del hogar de una persona, ms
alta la probabilidad que ese hogar contenga bao dentro de la
casa.
CH21: A ms alto el nivel de propiedades que una persona tiene,
ms alta la probabilidad que esa persona cuente con casa
propia.

Bondad de ajuste

Correlaciones

Poblacin general
e22
.30

educacin del hijo

.18

bienes_padre

.33

e23

.18
.42

.36

bienes_hijo
.21
.71
.84
e17 educacin
padre
.57 .67
.82 educacin pat
e16
educacin de la madre

X2 = 7.212 (2) p = .027;

RMR = .005; GFI = 1;
AGFI = .997; RMSEA = .019

AFC
Se crea una matriz de correlacin / covarianza
El desarrollo y evaluacin de un AFC involucra
5 pasos
Especificacin del modelo
Identificacin del modelo
Estimacin del modelo
Evaluacin del modelo
Rediseo del modelo

Identificacin del modelo

La identificacin del modelo tiene que ver con la diferencia
entre, a un nivel muy general, el nmero de variables en el
anlisis, y el nmero de parmetros que necesitan ser
estimados por el modelo.

df = f de elementos no redundantes f de parmetros desconocidos

Los grados de libertad siempre tienen que ser positivos

Conocidos
Nmero de elementos no redundantes = V ( V + 1) / 2 (conocidos)
V = nmero de variables medidas en el estudio
Elementos son a) entradas en una matriz de correlacin para las variables medidas
Varianzas y coeficientes de varios rdenes para las rutas de las variables
independientes
Desconocidos

Especificar 1 en un tem no altera la solucin final del procedimiento de mxima probabilidad (ML).

Como no lo vamos a identificar a la

primera
El modelo se especifica nuevamente
Se empieza por los coeficientes que apuntan a
los errores de las variables de indicador
Hasta que el modelo est overidentified

Estimacin y evaluacin del modelo

MLE estima los valores de los parmetros que
resultaran en la ms alta probabilidad de que los
datos ajusten con el modelo propuesto
La evaluacin de un modelo incluye dos
categoras, las que evalan el ajuste del modelo
completo, y las que se ocupan de parmetros
individuales.
Omnibus ANOVA y post hoc tests

X2 bsqueda de no significancia
Parmetro sensible a n, por lo que se usan ms
indicadores para reducir error Tipo II

Absolutas
Cuan bien ajusta la matriz de correlacin
observada a la esperada
RMSEA es el promedio de los residuales entre
la correlacin observada de la muestra y el
modelo esperado estimado de la poblacin

Relativas
Mediciones relativas al modelo de
independencia (no hay relaciones en los
datos) y al modelo saturado (ajuste perfecto)
Comparaciones con mediciones baseline
CFI

Parsimonia
Penalizan modelos grandes con muchos
parmetros estimados
SEM es sensible a la cantidad de parmetros a
estimar
Ms complejo el modelo, ms probabilidad de
que ajuste
AGFI y PGFI

Un poquito de teora de estratificacin no mata a nadie...

Distribucin desigual de la gente a travs de las categoras sociales que

son caracterizadas por accesos diferenciados a recursos escasos. Los
recursos pueden ser materiales, como ingreso y riqueza; o pueden ser
simblicos, como prestigio y posicin social; o pueden ser
emocionales, como afecto, amor, o sexo.
Los sistemas de estratificacin ordenan a la gente verticalmente en
una estructura social caracterizada por el acceso a recursos
diferenciados de arriba abajo. La distancia se caracteriza por el tamao
de la brecha en acceso a recursos entre aquellos hasta arriba, y
aquellos hasta abajo. Entre ms grande sea esa distancia, se dice que
esa sociedad est ms estratificada.
(Massey, 2007)

El proceso de estratificacin
Los sistemas de estratificacin pueden ser caracterizados de
varias maneras. Una importante se relaciona con los procesos
por los cuales los individuos se ubican en posiciones en la
jerarqua.
Dos extremos, en uno, las condiciones de nacimiento fijan el
destino de ego (adscripcin); en el otro, hay ausencia de lmites
derivados de las circunstancias de nacimiento o crianza (logro).
Dos preguntas tpicas: Cmo, y con qu grado, condicionan las
circunstancias de nacimiento al estatus subsecuente? Cmo el
estatus alcanzado (va adscripcin o logro) en una etapa del ciclo
de vida afecta los prospectos para una etapa subsecuente?
(Blau y Duncan, 1967)

Un sistema de estratificacin es un conjunto de instituciones que

generan desigualdad.
Componentes
Proceso institucional que define ciertos bienes como
deseables y valiosos
Reglas de asignacin que distribuyen estos bienes a travs de
diferentes posiciones y ocupaciones
Mecanismos de movilidad que vinculan a individuos con
ocupaciones y, de esta forma, dan pie a la existencia de un
control desigual sobre recursos valorados socialmente
Grusky; Triano

Un modelo clsico del proceso de la estratificacin

(Blau & Duncan - 1967)

Un primer contraste con los datos de la Emovi

Puga y Sols 2010)

Otro enfoque al proceso de estratificacin, rol de la

herencia y capital cultural
Figura 2. Modelo hipottico general (ejemplo de arreglo de variables)

e3

e4

Educacin

Competencias

1
1 e10

Capital humano
e9
e2

Capital cultural
Origen social

e1

1 Bienestar

econmico
de padres

Bienestar econmico de hijos

1

Ingreso
1

e8

Equipamiento
Propiedades Riqueza financiera
hogar
1
1
1

e7

e6

e5