Rodrigo Ferrer Urbina

Algunas nociones bsicas que permitan entender, a modo general, que son los modelos de ecuaciones estructurales. Seleccionar un modelo, el mtodo de estimacin, identificarlo y estimarlo. Valorar las relaciones observadas en el modelo. Valorar el ajuste de un modelo. Interpretar un modelo. Realizar modificaciones menores. Reportar un modelo en una publicacin.

En trminos generales, los modelos de ecuaciones estructurales (MEE o SEM en ingls) son un conjunto de ecuaciones simultaneas, desarrolladas mediante algebra matricial, que permiten contrastar modelos tericos poblacionales con los datos mustrales observados.

Anlisis clsicos (p.e.):

Correlacin:
x y

ANOVAs:

x1

x2

x3

Anlisis clsicos (p.e.):

Regresin:

x1

x2

x3

Anlisis Factorial Exploratorio:

x1 F1 x2

F2

x3

x4

Anlisis Factorial Confirmatorio:

x1 F1 x2

F2

x3

x4

Modelos tericos complejos:

X1 X5 VL1 X6 X3 VL2 X X4 VL1

X2

Variables endgenas y exgenas.

Variables observables: Variables Latentes: Errores: Relaciones:

Path analysis:

Modelo de medida:

MEE acotado a relaciones de variables observables. Es la parte del modelo en la cual participan solo las variables observables que son indicadores de una variable latente y los errores de medida (p.e. anlisis factoriales). Es la parte del modelo en la cual se relacionan las variables latentes entre s y/o con variables observables que no son indicadores de medida

Modelo de variables latentes:

Modelo completo: modelo de medida + modelo de variables latentes.

Tipos de relaciones:
Causales vs covarianzas.

ALTO!

Es necesario conversar un poco sobre causalidad en Modelos de Ecuaciones Estructurales y Anlisis de Datos

Una relacin causa-efecto implica que la variacin del efecto no altera la causa, mientras que una covariacin no. No existe ningn tipo de anlisis de datos que permita probar relaciones de tipo causal. La causalidad solo puede sostenerse de 2 formas:
Un diseo experimental riguroso que no deje espacio a variables no contempladas en el diseo y que permita aseverar que los efectos observados se deben exclusivamente a la manipulacin de la variable independiente. Una teora solida, que no de cabida a explicaciones alternativas a la relacin planteada.

Tipos de relaciones:
Covariacin. Relacin esprea. Relaciones causales: directas e indirectas. Relacin causal reciproca. Relacin causal condicionada.

El modelo terico plantea ciertas relaciones poblacionales que pueden traducirse en una matriz de covarianzas/correlaciones. Si la muestra es lo suficientemente representativa de la poblacin y el modelo terico es correcto, lo esperable es que la diferencia entre la matriz que reproduce el modelo y la observada en la muestra tienda a 0. Los MEE no son contraste de la hiptesis nula (significacin estadstica), por lo que no aceptamos nuestra hiptesis, solo la mantenemos o rechazamos.

El mtodo de estimacin se refiere al sistema de ecuaciones utilizado para estimar, a partir de los estadsticos muestrales, los parmetros poblacionales del modelo. Existen diversos mtodos disponibles con diferentes ventajas y desventajas (algunos implementados en software), pero los ms utilizados son 2:
Mxima verosimilitud (ML): el mejor estimador con muestras grandes, pero presenta imprecisiones ante la falta de normalidad. Mnimos cuadrados generalizados (GLS): Algo menos preciso que ML, pero tiene la ventaja de ser mas robusto ante la falta de normalidad y muestras pequeas. WLS: Es menos preciso que ML y GLS, sin embargo es robusto frente a la falta de normalidad, muestras pequeas y con datos ordinales.

Es el momento del diseo del modelo. Se refiere a que todas las relaciones, o falta de relaciones, relevantes esta definido adecuadamente en el modelo de ecuaciones. Ninguna variable relevante del modelo, presente en la matriz de correlaciones, puede quedar fuera (en ese caso se debe excluir de la base de datos, pero esto no tendra mucho sentido).

Como los MEE son un conjunto de ecuaciones, necesitan tener mas informacin (o, al menos, la misma) que incgnitas, de lo contrario no pueden tener una solucin nica (no pueden estimarse los parmetros poblacionales). La forma mas sencilla de saber si el modelo esta identificado es que el nmero de incgnitas no sea mayor a: (P(P+1)/2)

Los grados de libertad indican la diferencia entre los datos disponibles y el nmero de parmetros a estimar, cuando los grados de libertad son:

Existen otros requisitos para que el modelo se pueda estimar, los principales son: Que la matriz sea definida positiva y presente relaciones relevante (Barlett y KMO); que los datos no tengan valores perdidos (salvo en ML); y que el numero de iteraciones sea suficiente para la convergencia (hasta 250).

Negativos, el modelo no esta identificado y no se puede estimar. Igual a cero, el ajuste es perfecto ya que reproduce completamente la matriz. Esto es intil ya que no estamos realizando estimacin alguna. Positivos o sobre identificado, el modelo generalmente se puede estimar.

Para que el modelo sea identificable, muchas veces es necesario poner algn tipo de restriccin adicional: Fijar parmetros. Una restriccin fundamental, es fijar la mtrica de las variables latentes, ya sea a la de un indicador de medida o establecer su varianza (cuando se trabaja con variables tipificadas).

1
x1
F1 x2

1
x3 F2 x4

Cuando el modelo esta correctamente identificado podemos estimar los parmetros poblacionales de las varianzas y medias del modelo. Cuando la probabilidad asociada a algn o algunos parmetros es mayor a 0.05 debemos mantener que el parmetro es nulo en la poblacin y, por lo tanto, se recomienda eliminarlo.

Se puede y debe valorar (ya sea que el modelo ajuste o no) si existen relaciones que estn subrepresentadas en el modelo. Por ejemplo: Se pueden establecer nuevas relaciones que no estn bien representadas para mejorar el ajuste, pero SOLO si son justificables tericamente.
ndices de modificacin sobre 4. Residuos tipificados > 2.

En algunas ocasiones se pueden correlacionar errores, aunque lo ideal es que sean independientes, ya que de lo contrario es muy probable es que dicha relacin se deba a que existe una variable relevante que no ha sido incluida en el modelo. COMO PILLAR A UN MENTIROSO: mirar parmetros totales y grados de libertad.

Valorar si la matriz es factorizable (p.e. usando SPSS).

Valorar la normalidad multivariante (p.e. usando SPSS).

La prueba de esfericidad de Bartlett: contrasta la hiptesis nula de que la matriz de correlaciones es una matriz de identidad (p<=0.05). El ndice KMO compara la magnitud de las relaciones entre las variables. este estadstico vara entre valores de 0 y 1 (valores >0.6).

Si bien la prueba de normalidad de Kolgomorov-Smirnov con correccin Lilliefors no permite contrastar normalidad multivariate, si todas las variables se distribuyen normalmente, es razonable asumir normalidad multivariante.

Especificar el modelo (p.e. usando AMOS o LISREL):

Seleccionar el mtodo de estimacin segn el supuesto de normalidad multivariante. Establecer el nmero de iteraciones mximas (recomendable 250). Estimar el modelo. Valorar la probabilidad de los parmetros (si algunos pueden ser nulos en la poblacin, se pueden eliminar y volver a estimar). Valorar el ajuste del modelo. Valorar los ndices de modificacin y los errores tipificados (si se justifica, modificar el modelo y volver a estimar).

Revisar la direccin de las relaciones, definir adecuadamente los errores, especificar la mtrica de los factores.