Faculty of sciences, Department of Statistics,

Bio Bio university.

Modelos De Ecuaciones Estructurales.

Structural Equation Modeling.

Profesor: Tarik Faouzi

faouzi0612@gmail.com

September 23, 2015

Content
1

Structural Equation Modeling (SEM)

Introduction
Confirmatory Factorial analysis
Pasos para la modelizacin estructural
Construccin de un modelo
Formalizacin Matemtica Del modelo
Identificacin de modelo
Estimacin del modelo
Interpretacin del modelo
Modificacin del modelo
Aplicacin 1

Modelos de Regresin Estructural

Descripcin y motivacin
Formalizacin matemtica del modelo
Identificacin del modelo
Estimacin del modelo
Aplicacin 2

Tarik Faouzi | Structural Equation Modeling.

Introduction
Objetivo del SEM

Los Modelos de ecuaciones estructurales (SEM, LISREL) permiten realizar

inferencias de naturaleza causal a partir de datos obtenidos en investigaciones
correlacionales.
Cuando el investigador tiene ideas claras sobre cules pueden ser las variables
latentes (constructor) y sobre qu relaciones puede haber entre ellas y con las
variables observadas.
El objetivo se reduce a estimar un conjunto de parmetros que indiquen la
relacin (causal o correlacional) entre las variables, de modo que pueda
estimarse una matriz de varianzas-covarianzas poblacional que sea lo ms
parecida posible a la matriz observada en la muestra.

Tarik Faouzi | Structural Equation Modeling.

Introduction
CFE, CFA & SEM

Both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) are
employed to understand shared variance of measured variables that is believed
to be attributable to a factor or latent construct.

Tarik Faouzi | Structural Equation Modeling.

Introduction
CFE, CFA & SEM

Both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) are
employed to understand shared variance of measured variables that is believed
to be attributable to a factor or latent construct.
CFA evaluates a priori hypotheses and is largely driven by theory. CFA analyses
require the researcher to hypothesize, in advance, the number of factors, whether
or not these factors are correlated, and which items/measures load onto and
reflect which factors.

Tarik Faouzi | Structural Equation Modeling.

Introduction
CFE, CFA & SEM

Both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) are
employed to understand shared variance of measured variables that is believed
to be attributable to a factor or latent construct.
CFA evaluates a priori hypotheses and is largely driven by theory. CFA analyses
require the researcher to hypothesize, in advance, the number of factors, whether
or not these factors are correlated, and which items/measures load onto and
reflect which factors.
EFA The goal of EFA is to identify factors based on data and to maximize the amount
of variance explained.
SEM: CFA is also frequently used as a first step to assess the proposed
measurement model in a structural equation model. Many of the rules of
interpretation regarding assessment of model fit and model modification in
structural equation modeling apply equally to CFA. CFA is distinguished from
structural equation modeling by the fact that in CFA, there are no directed arrows
between latent factors. In other words, while in CFA factors are not presumed to
directly cause one another, SEM often does specify particular factors and
variables to be causal in nature. In the context of SEM, the CFA is often called
the measurement model, while the relations between the latent variables (with
directed arrows) are called the structural model.
Tarik Faouzi | Structural Equation Modeling.

Confirmatory Factorial analysis

Pasos para la modelizacin estructural

Paso 4

Paso 3

Paso 2

Estimacin del
modelo

Identificacin
del modelo

Formalizacin
del modelo

Paso 5

Paso 1

Interpretacin
del resultado

Construccin
de un modelo

Paso 6
Modificacin del modelo

Tarik Faouzi | Structural Equation Modeling.

Confirmatory Factorial analysis

Construccin de un modelo

Figure: Modelo de medida del

constructo deducido DIIE.

es la intensidad de una
relacin causal (AFE: la carga
factorial).
es la variable latente o factores
comunes.
es la variable latente o el error.
es la correlacin entre dos
factores comunes.
x es la variable observada.

Tarik Faouzi | Structural Equation Modeling.

Confirmatory Factorial analysis

Formalizacin Matemtica Del Ejemplo 1

Modelo terico
Siguiendo las notaciones de Joreskog y Sorbom (1989), las variables observadas y las
variables latentes del ejemplo pueden expresarse:

x1 = 11 1 + 1
x2 = 21 1 + 2
x3 = 31 1 + 3

or

x= +

x4 = 42 2 + 4
x5 = 52 2 + 5
x6 = 62 2 + 6
donde x es un vector q*1 que contiene las q variables observadas, es un vector s*1
que contiene los s factores comunes, es una matriz q*s que contiene las cargas
factoriales de las variables latentes y es un vector q*1 de los errores.
Tarik Faouzi | Structural Equation Modeling.

Confirmatory Factorial analysis

Formalizacin Matemtica Del modelo
Se estudian los supuestos del modelo y la estimacin de la matriz
varianza-Covarianza entre las variables .

Supuestos
E(x)=0

Estas condiciones no

E()=0

afectan a las covarianzas

E()=0

entre las variables.

Normalidad (variables explicativas, trminos de perturbacin y errores de

medida): violacin de esta condicin no lleva a sesgo la estimacin, sino afecta
la eficiencia de los estimadores.

Formalizacin de
(xx 0 ) = E(xx 0 )
= E[( + )( + )0 ]
= E[( + )(0 0 + 0 )]
= E(0 )0 + E( 0 ) + E(0 )0 + E( 0 )
Tarik Faouzi | Structural Equation Modeling.

Confirmatory Factorial analysis

Formalizacin Matemtica Del modelo

Estimacin de
Si
E( 0 ) = E(0 )=0
= E(0 )
= E( 0 )
tenemos

= 0 + .

(1)

la finalidad del CFA es obtener estimaciones de las matrices , y

que hagan que la matriz de varianza covarianza poblacional
estimada obtenida a partir de ellas, sea lo ms parecida posible a
la matriz de varianza covarianza muestral S que se obtiene a partir
de los valores muestrales de las variables observadas.

Tarik Faouzi | Structural Equation Modeling.

Confirmatory Factorial analysis

Identificacin del modelo

Identificabilidad
creacin del modelo teorico.
un modelo es identificado si existe una nica solucin para cada parmetro
estimado.
No identificabilidad si q2 (q + 1) p, donde q es el nmero de las variables
observadas y p es el nmero de los parmetros a estimar
(p qs + 2s (s + 1) + q2 (q + 1))).
identificabilidad (perfecta) si existe
sobreidentificabilidad si otro caso.

Tarik Faouzi | Structural Equation Modeling.

q
(q
2

+ 1) = p

Confirmatory Factorial analysis

Estimacin del modelo

Estimacin del modelo

Minimizar F = (S (p))0 W (S (p)): W es la matriz de ponderacin y
(S (p)) es el vector de residuos.
Mtodos de estimacin:
Mnimos cuadrados no ponderados (W =I).
N 1
Mnimos cuadrados ponderados (bajo normalidad: W = (S
).
N S)
ML (MV) (supuesto de normalidad multivariante: W = (S
)1 ).
Distribucin libre asinttica.
EDT, elliptical distribution theory.
WLSMV (no-normalidad y datos ordinal o ordinales-continuos).

Sugerencias Y Advertencias
Se recomienda una muestra mayor que igual a 200.
Si la muestra es pequea, se recomienda trabajar con ML y GLS bajo los
supuestos de la normalidad y la independencia.
Violacin de la independencia o normalidad ML y GLS funcionan mal.
En caso de violacin de estos supuestos que recomienda usar EDT.
Para datos ordinales se recomienda usar WLSVM.
Tarik Faouzi | Structural Equation Modeling.

10

Confirmatory Factorial analysis

Interpretacin del modelo

Bondad de ajuste del modelo

Se dinstingue tres tipo de medidas de calidad del ajuste:
medidas absolutas del ajuste: evalan el ajuste global del modelo
medidas del ajuste incremental: comparan el modelo propuesto con el modelo
del investigador.
medidas del ajuste de parsimonia: ajustan las medidas de ajuste, para ofrecer
una comparacin entre modelos con diferentes nmeros de coeficientes
estimados. (Hair et., 2001).

Tarik Faouzi | Structural Equation Modeling.

11

Confirmatory Factorial analysis

Interpretacin del modelo

12

Estadsticos de bondad de ajuste del modelo

Estadstico

Abreviatura Criterio
Ajuste absoluto

Chi cuadrado
Razn Chi-cuadrado/gl
ndice de bondad de ajuste
ndice de bondad de ajuste corregido
Raz del residuo cuadrtico medio
Raz cuadrada media del error de aproximacin
Ajuste comparativo
ndice de ajuste comparativo
ndice de Tucker-Lewis
ndice de ajuste normalizado
Ajuste parsimonioso
Corregido por parsimonia

Tarik Faouzi | Structural Equation Modeling.

2
2 /gl
GFI
AGFI
RMR
RMSEA

Signif >0.05
<3
.95
.95
0
<.05

CFI
TLI
NFI

.95
.95
.95

PNFI

Confirmatory Factorial analysis

Interpretacin del modelo

Enfrentamiento de problemas en el modelo

el modelo est mal especificado.
o los datos no respaldan la hiptesis de normalidad multivariante de las variables
observadas.
o el modelo est demasiado cerca de no estar identificado, lo que hace la
estimacin de algunos parmetros difcil o inestable.
o la muestra est demasiada pequea.
o los valores perdidos de algunas variables observadas han provocado que cada
elemento de la matriz de covarianzas muastral est calculado sobre una muestra
diferente.

Consecuencias
existen correlaciones superiores a 1.
o existen cargas factoriales estandarizadas fura del intervalo [-1,1].
o los residuos estandarizados anormalmente grandes o pequeos.
o Hay estimaciones negativas de las varianzas.
Tarik Faouzi | Structural Equation Modeling.

13

Confirmatory Factorial analysis

Modificacin del modelo

Motivos para reespecificar un modelo

Mejorar su ajuste.
Contrastar alguna hiptesis terica.
instrumentos analticos( contraste de Wald y de multiplicador de Langrange) que
indican qu relaciones causales pueden aadirse o eliminarse y qu mejoras en
el ajuste obtendramos con cada una de esta modificaciones.

Tarik Faouzi | Structural Equation Modeling.

14

Confirmatory Factorial analysis

Aplicacin 1

Especificacin del problema

El objetivo de este aplicacin es mostrar las etapas de validacin de una instrumento
de investigacin que pretende explorar el impacto de la Investigacin Educativa en la
prctica docente. Para ello se tuvieron en consideracin el tipo de problema a
investigar, la disponibilidad de la muestra y los criterios de rigor cientfico para la
construccin de instrumentos tipo encuesta. Es bastante conocido el hecho que la
educacin no ha logrado articularse como un campo basado en evidencias (Escudero,
2006; Shneider & Keesler, 2007). Entre las razones de esta desarticulacin destacan
la mala reputacin del impacto de la Investigacin Educativa (Fernndez-Cano, 2001)
y el que los valores e ideales enseados durante la formacin no se consolidan
durante la prctica profesional por razones burocrticas (Maben, Latter, & Clark, 2006;
Cargo, M., 2008). Por lo anterior, se decide aplicar el instrumento a una muestra de 62
docente universitarios y 117 docentes no universitarios de Granada (Espaa). Luego
de realizar las diferentes etapas de validacin, de contenido y de contructo, se obtuvo
un total de tres constructos representados por 16 sentencias (tems). Tal y como
sugiere en la literatura especializada, parece existir un consenso entre los profesores
acerca del bajo impacto de la Investigacin Educativa en la prctica docente.

Tarik Faouzi | Structural Equation Modeling.

15

Confirmatory Factorial analysis

Aplicacin 1

16

Modelos de medidas deducidos por el AFE

Realizando el analisis factorial exploratorio, se obtiene un modelo de tres
factores explicados por variables observadas (tems o indicadores) y
consediradas como continuas.

Figure: Modelo de medida

Figure: Modelo de medida del Figure: Modelo de medida

del constructo deducido DIIE.

constructo deducido AMIIE.

Tarik Faouzi | Structural Equation Modeling.

del constructo deducido

OMIIE.

Confirmatory Factorial analysis

Aplicacin 1

17

AFC para modelo deducido

Se realiz el analisis factorial comfirmatorio (AFC) con la finalidad de comprobar
el ajuste de los dos modelo (modelo definido por expertos y otro deucido a travs
el AFE) a los datos.
En nuestro caso los datos son categoricos, por lo tanto se recomienda usar el
mtodo de la estimacin diagonal weighted least square (DWLS)o Weighted
least square mean and variance (WLSMV).
Entonces, usando el paquete lavaan del programa R, se obtiene,

Anlisis y interpretacin de los resultados

Variable laN
2 /gl
CFDLI
RMSEA
CFI
TLI
VR 2
tente
tems
DIIE
18
3.54
[-.04,.77]
.119
.845
.824
[.00,.60]
Constructos con
AMIIE
16
2.52
[.00,.65]
.092
.732
.690
[.00,.42]
todos los tems
OMIIE
9
2.30
[.30,.75]
.085
.960
.946
[.09,.56]
DIIE
13
1.85
[-.45,.78]
.069
.973
.968
[.20;.62]
constructos
AMIIE
8
4.10
[.32;.68]
.131
.86
.81
[.10,0.46]
deducidos
OMIIE
4
.32
[.55,.73]
.000
1.00
1.02
[.30,.53]
Nota. VR 2 : intervalo de la variacin de los valores del coeficiente de determinacin R 2 ; CFDLI: Intervalo de
la contribucin factorial de los indicadores. Para ver valores de referencia, vase Tabla 1.

Tarik Faouzi | Structural Equation Modeling.

vc

Jor

.36
.19
.34
.46
.30
.40

.88
.75
.81
.92
.77
.72

Confirmatory Factorial analysis

Aplicacin 1

18

Ejercicio 1
Demostrar que los modelos de medidas, propuestos abajo, tienen un buen bondad de ajuste.
Compruebe la uni-dimensionalidad de cada constucto (variable latente) con la validez
discriminante.

Figure: Modelo de medida

Figure: Modelo de medida del Figure: Modelo de medida

del constructo deducido DIIE.

constructo deducido AMIIE.

Tarik Faouzi | Structural Equation Modeling.

del constructo deducido

OMIIE.

Modelos De regresin Estructural

Descripcin y motivacin

Descripcin
Mtodos predictivos con menor restrecciones.
Nacieron de la necesidad de dotar de mayor flexibilidad a los modelos de regresin.
para ms informaciones, volver al (Ruiz et. al., 2009).
Compuesto de sud-modelo de medicin (asociacin entre la variavle latente y sus
indicadores) y sub-modelo estructural (asociacin entre variables latentes).

Motivacin
Probar el ajuste de un modelo a los datos.
Realizar anlisis con datos continuos o categoricos.
Analizar modelos mixtos.
Modelizacin multinivel.
Anlisis de datos faltantes con Mxima de verosimilitud.
Meta-anlisis.

Tarik Faouzi | Structural Equation Modeling.

19

Modelo de regresin estructural

Presentacin grfica

20

Figure: Modelo de regresin estructural.

Tarik Faouzi | Structural Equation Modeling.

Modelos De regresin Estructural

Formalizacin matemtica del modelo

21

Modelo estructural y de medicin

[Estructural]: = B + X + .
[Medicin]: Y = (X ) + 

&

X = (Y ) + .

Donde
X es una variable observada independiente.
Y es una variable observada dependiente.
es la intensidad de una relacin causal entre varaible observada y variable latente.
 es el error asociado a Y .
es el error asociado a X .
es la variable latente dependiente o endogena.
es la variable latente independiente o exogena.
es el error asociado a .
es el coeficiente entre variables latentes dependientes.
es el coeficiente entre variable latente independiente y otra independiente.

Tarik Faouzi | Structural Equation Modeling.

Modelos De regresin Estructural

Identificacin del modelo

Identificacin
De la misma forma que en la primera parte del diapositivo, se
procede a verificar si el modelo es identificable.

Figure: Qu se puede identificar en esta foto?.

Tarik Faouzi | Structural Equation Modeling.

22

Modelos De regresin Estructural

Estimacin del modelo[1]

Ordinal responses case

The questions were answered in terms of five ordinal response categories:
1
2
3
4
5

disagree strongly
disagree
indifferent
agree
agree strongly

Latent response variable approach:Yves Rosseel

an elegant way to think about ordinal variables is that they are a crude
approximation of an underlying continuous variable.
since this continuous variable is not directly observed, we call it a latent response
variable, denoted by y
relationship between ordinal y (with K response categories) and y is y = k
k 1 < y < k
The k values are called cut points or thresholds.
y is normally distributed with mean zero, and unit variance
Tarik Faouzi | Structural Equation Modeling.

23

Modelos De regresin Estructural

Estimacin del modelo[2]

24

Latent response variable regression model: Yves Rosseel

the latent response variable regression model: y =

Pp

i=1

i xi +  = X + .

P(y = k |X ) = P(k 1 < y < k |X )

(2)

= P(k 1 X <  < k X |X )

(3)

= (k X ) (k 1 X )

(4)

where is a normal distribution function, (0 X ) = 0 and (K X ) = 1

with K = and 0 = .
this is all identical to the ordered probit regression model.

Tarik Faouzi | Structural Equation Modeling.

Modelos De regresin Estructural

Estimacin del modelo[3]

Stage 1: Estimating the thresholds: Yves Rosseel

Y <- sample(1:4, size = 100, replace = TRUE)
prop <- table(Y)/sum(table(Y))
cprop <- c(0, cumsum(prop))
thre <- qnorm(cprop)
compare with the polr method (library(MASS),fit$zeta)

Tarik Faouzi | Structural Equation Modeling.

25

Modelos De regresin Estructural

Estimacin del modelo[4]

Stage 2: Estimating polychoric correlation: Yves Rosseel

estimate correlation from bivariate data
1
2
3
4
5

tetrachoric (binary binary)

polychoric (ordered ordered)
polyserial (ordered numeric)
biserial (binary numeric)
pearson (numeric numeric)

ML estimation is available (see eg. Olsson 1979 and 1982)

if exogenous covariates are involved, the correlations are based on the residual
values of y (eg bivariate probit regression)

Tarik Faouzi | Structural Equation Modeling.

26

Modelos De regresin Estructural

Estimacin del modelo[5]

Stage 3: Estimating the SEM model: Yves Rosseel

0

Fwls = (S (p )W 1 (S (p))
sometimes, is very difficult to compute the matriz (p)

Stage 3: alternative estimators, standard errors, and test

statistics : Yves Rosseel
estimator DWLS: only the diagonal of W is used during estimation
estimator WLSMV implies:
1
2
3

DWLS
Robust standard error (using a sandwish type approach)
scaled and shifted test statistic (new in Mplus 6)

Tarik Faouzi | Structural Equation Modeling.

27

Modelos De regresin Estructural

Aplicacin 2[1]

La continuation de lapplication 1
El objetivo es medir el impacto de la investigacin sobre la docencia a travs un
modelo de regresin estructural.
Tambin, se requiere encontrar un ndice de impacto que mida lo mismo.

Tarik Faouzi | Structural Equation Modeling.

28

Modelos De regresin Estructural

Aplicacin 2[2]

29

Propuesta de modelo mixto de midicin y estructural.

Figure: Modelo SEM propuesto.

Tarik Faouzi | Structural Equation Modeling.

Modelos De regresin Estructural

Aplicacin 2[2]

30

Anlisis y interpretacin de los resultados

N
tems
15

2 /gl

respuesta

CFDLI

RMSEA

CFI

TLI

VR 2

Modelo
Impacto(p43) ?
[?,?]
?
?
?
[?,?]
propuesto
2
2
Nota. VR : intervalo de la variacin de los valores del coeficiente de determinacin R ; CFDLI: Intervalo de
la contribucin factorial de los indicadores. Para ver valores de referencia, vase Tabla 1.

Ejercicio con indicaciones

1

complete la tabla anterior.

[ind1:] Jor =

Pq
Pi=1
q

2i
i

i=1
3

[ind2:] vc =

Pq
Pi=1
q

i )2

i=1

Tarik Faouzi | Structural Equation Modeling.

que representa...

que representa .....

vc

Jor

Thanks you for your

attention!