Los modelos de ecuaciones estructurales y su aplicacin en el

ndice Europeo de Satisfaccin del Cliente

Mercedes Casas Guilln
Facultad de Econmicas
Universidad San Pablo CEU
Julin Romea 23
91 456 63 00 Ext. 424
mcasas@ceu.es
Las empresas elaboran planes estratgicos que requieren conocer el grado de
satisfaccin que sus productos y servicios provocan en los clientes, esto ha llevado a las
instituciones de los pases desarrollados a elaborar indicadores estadsticos que midan la
satisfaccin. La elaboracin del ndice Europeo de Satisfaccin del Cliente (ECSI) tiene
su origen en la necesidad de disponer de informacin peridica, desglosada y
comparable, relativa a la calidad de los diferentes sectores econmicos europeos, desde
la perspectiva de la satisfaccin del cliente en las empresas de servicios. El ECSI se
construye a partir de un modelo de ecuaciones estructurales que relaciona los
componentes de la satisfaccin.
Las diferentes variables del modelo estructural subyacente en el ECSI, toman
como variable principal o resultado, la componente satisfaccin, y consideran adems,
la imagen, las expectativas del cliente, la calidad percibida hardware y software, el
valor percibido y la fidelizacin del cliente. La estimacin de los parmetros del modelo
se realiza empleando ecuaciones lineales simultneas (Partial Least Squares. PLS).
Palabras resumen: ECSI, satisfaccin, fidelizacin, calidad, modelos
estructurales, ecuaciones lineales simultneas, anlisis causal, PLS.
1.
INTRODUCCIN:
CAUSALIDAD

INVESTIGACIN

NO

EXPERIMENTAL

Una de las finalidades de las investigaciones empricas es el descubrimiento de

relaciones causales entre las variables objeto de estudio, lo cual es asequible cuando
trabajan con conceptos experimentalmente controlables como los fenmenos fsicos, sin
embargo sobre las variables analizadas en las ciencias sociales y del comportamiento no
es posible ejercer un control, por lo que es necesario desarrollar otro tipo de anlisis
metodolgico. Las ciencias sociales estudian con frecuencia conceptos no fsicos y
abstractos denominados constructos, que slo pueden medirse de forma indirecta a
travs de indicadores. Los Modelos de Ecuaciones Estructurales constituyen una
herramienta til para el estudio de relaciones causales de tipo lineal sobre estos
conceptos. Estos modelos no prueban la causalidad, pero ayudan al investigador en la
toma de decisiones, rechazando las hiptesis causales cuando se contradicen con los
datos, esto es, con la estructura de covarianzas o correlaciones subyacente entre las
variables.

1.1 Nocin de causalidad

Existen muchas variables que tienden a moverse conjuntamente pero la mera
asociacin estadstica entre variables no es una condicin suficiente para que exista
causalidad. La condicin suficiente y necesaria del principio de causalidad podra ser
expresada en estos trminos: una variable A es causa de B si siempre que se da A
acontece B, y nunca acontece B si previamente no se ha dado A1. nicamente existe
relacin causal en el sentido A B, puesto que la causalidad es asimtrica. Sin
embargo, no es posible distinguir entre regularidades aisladas en la ocurrencia de dos
fenmenos y una relacin causal, por lo que, podemos decir que existe causalidad
cuando se halla una relacin entre dos variables y se ha podido descartar que sea
esprea o no causal.
1.2 Tipos de relaciones causales. Anlisis Path
El concepto de anlisis causal en las ciencias sociales hace referencia al conjunto
de estrategias y tcnicas de elaboracin de modelos causales que expliquen los
fenmenos, con objeto de contrastarlos empricamente. Sus orgenes se encuentran en el
path-analysis, literalmente traducido como anlisis de senderos, cuyo objeto es el
estudio de los efectos de unas variables consideradas como causas sobre otras tomadas
como efectos. La variable que es efecto se denomina variable dependiente, endgena o
explicada y las que originan o causan a la anterior, son las variables independientes,
exgenas o explicativas. El anlisis path es una tcnica similar a la regresin pero con
poder explicativo, que estudia los efectos directos e indirectos en el conjunto de las
variables observables, asumiendo la existencia de relaciones lineales entre ellas, la
incorrelacin de los errores de regresin y la ausencia de errores de medicin de las
variables. Los coeficientes path (Cij: donde i se refiere a la variable efecto y j a la
variable causa) explican el impacto de una variable en otra mediante la descomposicin
de los mismos en tres bloques: path de la variable independiente a la intermedia, path de
la intermedia a la dependiente y resto de path que llevan a la variable final, que no
incluyen a la interviniente. Se pueden obtener las diferentes correlaciones entre las
variables analizando el conjunto de los efectos, sean directos, indirectos o espreos,
empleando los coeficientes path 2.
Los efectos causales entre las variables podemos agruparlos en directos,
indirectos y espreos, considerando para esta investigacin solamente aquellos que no
contemplan reciprocidad entre las variables se pueden representar empleando diagramas
de rutas:
a) Relacin directa:
e1 causa e2
e1

b) Relacin causal indirecta:

e1 causa e2 a travs del efecto de e3

e2

e1

c) Relacin esprea o no causa entre e1 y e2:

e3 provoca efecto sobre e1 y e2
e1

e2
e3

e2
e3

2. MODELIZACIN CON ECUACIONES ESTRUCTURALES Y VARIABLES

LATENTES
El estudio de las relaciones causales tiene su origen en la tcnica del anlisis
multivariante planteado para trabajar con datos experimentales, que examina el efecto
de una variable explicativa sobre la explicada, y en qu medida la variacin observada
de sta es debida a los cambios producidos en aqulla. Tanto las tcnicas de regresin
como el path-anlisis son categoras de lo que se han denominado de forma global
modelos de ecuaciones estructurales, que analizan las relaciones causales y no causales
entre variables tomadas como indicadores de medida de los constructos, excluyendo del
anlisis el error de medicin.
El investigador, basndose en su conocimiento terico, disea el modelo que
intenta representar de forma sencilla la realidad subyacente en las variables latentes,
especificando las relaciones entre ellas. La hiptesis de partida de todos estos modelos
es que reproducen exactamente la estructura de varianzas y covarianzas de las variables
objeto de estudio, aunque no corroboran ni contradicen la existencia de causalidad. Para
la estimacin y contrastacin de estos modelos, se han desarrollado diferentes
aplicaciones o programas, de los que destacan LISREL, EQS o AMOS, siendo este
ltimo el utilizado en la elaboracin del Modelo ECSI.
La modelizacin segn ecuaciones estructurales sigue una metodologa que pasa
por diferentes etapas: especificacin, identificacin, estimacin de parmetros,
evaluacin del ajuste, reespecificacin del modelo e interpretacin de resultados.
2.1 Especificacin del modelo
En esta fase el investigador aplica sus conocimientos tericos del fenmeno
estudiado al planteamiento de las ecuaciones matemticas relativas a los efectos
causales de las variables latentes y a las expresiones que las relacionan con los
indicadores o variables observables. Adems se formulan enunciados sobre el conjunto
de parmetros, decidiendo entre los que sern libres para ser estimados o fijos, a los que
se les asignar un valor dado, normalmente cero. Asimismo, en esta etapa se especifican
los supuestos estadsticos sobre las fuentes de variacin y en concreto sobre la forma de
distribucin conjunta, que en la mayora de las tcnicas empleadas se considera
normalidad multivariante. Por ltimo se precisar el comportamiento de las variables no
incluidas en el modelo, cuyo efecto se recoge en los trminos del error de medida o de
perturbacin.
La claridad del modelo viene determinada por el grado de conocimiento terico
que posea el investigador sobre el tema de estudio, si la informacin es poco exhaustiva
o detallada, la asignacin de los parmetros ser confusa a priori, por lo que el
investigador debe realizar diversos anlisis exploratorios de los datos hasta configurar el
modelo, y efectuar el anlisis confirmatorio del mismo.

2.1.1 Diagrama, modelo de medida y modelo estructural

Podemos plantear el modelo de ecuaciones estructurales de distintas formas,
complementarias entre s, mediante diagrama, matricialmente y proponiendo un sistema
de ecuaciones simultneas. Los elementos que componen un modelo causal hipottico
son los siguientes:

X1

X2

11

11

21

21

21

12

2
-

1
1
2

Y1

Y2

21

Variables latentes: endgenas , exgenas

Variables observadas: endgenas Y, exgenas X.
Errores de medida: variables observadas endgenas , variables observadas exgenas .
Trmino de perturbacin: , que incluye los efectos de las variables omitidas, los errores de
medida y la aleatoriedad del proceso especificado. La variacin en el trmino de perturbacin se
simboliza por y la covariacin entre los trminos de perturbacin i-simo y j-simo se denota
por i j
Coeficiente de regresin: , que relaciona las variables latentes con los indicadores.
Coeficientes de regresin , , que relacionan las variables latentes entre s, y las variables
observadas entre s.

El modelo de ecuaciones estructurales est compuesto por dos sub-modelos que

pueden expresarse de forma matricial, por ser la ms abreviada, segn la formulacin
LISREL como:3
I. Modelo estructural: ETA = BE * ETA + GA * KSI + ZE
-

Matriz de variables latentes endgenas (ETA)

Matriz de variables latentes exgenas (KSI)
Matriz de coeficientes de regresin entre variables endgenas (BE), los coeficientes de regresin
entre variables exgenas y variables endgenas (GA),
Coeficientes residuales (ZE).

II. Modelo de medicin: x = LX * KSI + D;

-

y = LY * ETA + E

Matriz de indicadores exgenos (x) y endgenos (y)

Matriz de factores latentes exgenos (KSI) y endgenos (ETA)
Coeficientes de regresin entre factores exgenos y sus indicadores (LX), entre factores
endgenos y sus indicadores (LY)
Errores de medicin para los indicadores exgenos (D), y para los indicadores endgenos (E).

2.1.2 Supuestos previos a la estimacin

Como supuestos de partida hay que considerar cero las covarianzas entre los
factores exgenos y los trminos de perturbacin aleatoria, y las covarianzas de los
factores exgenos y errores de medida, al igual que se hacen cero el valor esperado de
los errores de medicin y de los trminos de perturbacin aleatoria. Las variables
independientes se toman centradas (no estandarizadas), es decir, su valor esperado es
cero. Las distribuciones de las variables explicativas, trminos de perturbacin y errores
de medida, se asumen normal multivariante, y la ausencia de este supuesto no lleva a
sesgos en la estimacin, pero s afecta a la eficiencia de los estimadores y a los
contrastes de hiptesis.
2.2 Identificacin del modelo
Si el modelo terico creado es correcto, se procede a la identificacin del
modelo, en donde nos debemos asegurar que pueden ser estimados los parmetros del
modelo. El modelo est identificado si todos los parmetros lo estn4, es decir, si existe
una solucin nica para cada uno de los parmetros estimados. Determinar si un modelo
est identificado debe estudiarse antes de la recogida de datos, en donde se debe
comprobar que al menos se dispone para cada parmetro de una expresin algebraica
que lo exprese en funcin de las varianzas y covarianzas muestrales. Si llamamos p al
nmero de variables observadas o indicadores, cuando *[p*(p+1)] es mayor o igual al
nmero de parmetros a estimar, no hay seguridad sobre la identificacin del modelo.
Existen una serie de reglas generales aplicables para identificar un modelo, una de ellas
es la regla de los grados de libertad, obtenidos como la diferencia entre el nmero de
varianzas y covarianzas (ecuaciones) y el nmero de parmetros a estimar. Es una
condicin necesaria pero no suficiente. Cuando g<0, sern modelos infraidentificados,
cuando g=0, los modelos son posiblemente identificados, y cuando g>0 el modelo est
sobreidentificado. Otra regla que es condicin suficiente pero no necesaria, es que si el
modelo es recursivo est identificado, siendo este tipo de modelos aquellos que no
contienen efectos circulares o recprocos entre sus variables.
2.3 Etapa de estimacin del modelo
Partiendo de que el modelo est identificado, cada uno de los parmetros tendr
un valor nico. Si conocisemos los valores de los parmetros del modelo correcto y las
varianzas y covarianzas poblacionales, entonces cada elemento de esta matriz sera
idntico al reproducido en la matriz del modelo, pero como la poblacional no es
conocida la aproximamos por la matriz de varianzas y covarianzas muestral. El proceso
de estimacin consiste en la obtencin de aquellos valores p de los parmetros que
ajusten lo mejor posible a la matriz observada, por la que aquellos reproducen. La
estimacin de coeficientes se realiza mediante procedimientos iterativos de
minimizacin de desviaciones, bajo la hiptesis de que nuestro modelo es correcto. Tras
la fase de estimacin, los tests de bondad del ajuste nos permitirn decidir si la falta de
identidad entre la matriz de varianzas y covarianzas muestral y la generada por el
modelo, se debe al azar o a la inadecuacin del modelo.

Se pueden emplear diferentes funciones de ajuste entre las matrices implicada y

observada, aunque todas siguen una estructura similar, la expresin genrica que se
minimiza es del tipo:5 F = (S-(p)) W (S-(p)), en donde S es la matriz observada, (p)
la matriz implicada, (S-(p)) son los vectores de residuos y W es la matriz de
ponderacin.
Segn el mtodo de estimacin mnimos cuadrados no ponderados, la matriz de
ponderacin es la matriz identidad, W = I. Si empleamos el procedimiento de mnimos
cuadrados ponderados bajo normalidad la matriz de ponderacin es la inversa de la
matriz observada W=(SS)-1. Otro criterio seguido es el de mxima verosimilitud, bajo
el supuesto de normalidad multivariante, en donde la matriz de ponderacin es la
inversa de la matriz implicada, W=(S(p)(p))-1. En el caso del mtodo de distribucin
libre asinttica, la matriz de ponderacin es la inversa de una funcin de los momentos
de cuarto orden de las variables observables.
2.4 Evaluacin del modelo
La etapa de diagnstico de la bondad del ajuste se refiere a la exactitud de los
supuestos del modelo especificado para determinar si el modelo es correcto y sirve
como aproximacin al fenmeno real precisando as su poder de prediccin. Si el
modelo es correcto y la muestra suficientemente grande, existe una transformacin del
mnimo de la funcin de ajuste, llamada estadstico 2 de bondad del ajuste, que sigue
una distribucin chi-cuadrado con los mismos grados de libertad g que el modelo. La
hiptesis nula a contrastar es que el modelo es bueno, y cuanto mayor sea el valor
obtenido del estadstico 2 en comparacin con los grados de libertad, peor ser el
ajuste.
Las tcnicas de evaluacin del modelo pueden ceirse a una valoracin global de
la bondad del ajuste o extenderse al anlisis detallado de los parmetros y residuos del
modelo, con el objetivo de determinar si se han impuesto las restricciones necesarias al
modelo, y si las estimaciones de los parmetros son susceptibles de interpretacin
plausible y til para el investigador. A partir del estadstico chi-cuadrado podemos
obtener otros indicadores de bondad de ajuste que comparan el valor obtenido de 2
para el modelo, con el del modelo base que supone la no-asociacin entre las variables
del modelo (caso peor). Entre estas medidas encontramos el ndice de ajuste normado
(NFI), el ndice de ajuste no normado (NNFI) y el ndice de no centralidad relativo
(RNI). Si realizamos un diagnstico detallado, podemos emplear otros contrastes para
ver la significacin de parmetros adicionales, como por ejemplo el test de razn de
verosimilitud, el test de los multiplicadores de Lagrange, test de Wald, etc.
4. MODELO ESTRUCTURAL SUBYACENTE DEL ECSI
El modelo E.C.S.I. mide la satisfaccin del cliente en el el campo de la calidad
percibida de los servicios, proporcionando un nivel global de la satisfaccin y
explicando las relaciones de causalidad con sus componentes. El fundamento terico de
la elaboracin de un indicador de la satisfaccin radica en el paradigma de la

desconfirmacin, mediante el cual el cliente configura su nivel de satisfaccin, en

funcin de la calidad percibida tras la experiencia de prestacin del servicio.
4.1 Definicin de las variables del modelo y sus relaciones causales
El primer paso para elaborar el ECSI ha sido la conceptualizacin de las variables
latentes y sus relaciones6:
a) Expectativas: nivel de referencia que espera el consumidor del producto o
servicio que adquiere, antes de efectuar la compra. La expectativa produce un
efecto directo sobre la calidad percibida del servicio, en el valor del servicio y en
la satisfaccin.
b) La calidad percibida: componente clave que determina la satisfaccin del
cliente segn la forma en que ste haya experimentado el servicio; influye en la
satisfaccin a travs de dos vas, una directa y otra indirecta va valor del
servicio, en funcin de la evaluacin de la calidad-precio del servicio que realice
el cliente. El modelo diferencia entre dos subcomponentes de calidad percibida:
1. Calidad percibida hardware o calidad del producto: ncleo duro
del servicio en cuanto a las caractersticas genricas del servicio que se ofrece.
2. Calidad percibida software o calidad del servicio: aspectos especficos
de la prestacin del servicio en s mismo como la atencin personalizada, la
distribucin, los servicios de informacin, etc.
c) Valor del servicio: relacin calidad-precio que el cliente extrae tras el servicio
recibido, acta como variable interviniente entre la calidad percibida y la
satisfaccin del cliente.
d) Imagen del servicio: componente intangible que evala la imagen de marca que
tiene el consumidor sobre la empresa en su conjunto y los productos o servicios
que ofrece. En el modelo es una variable exgena o independiente con efecto
directo sobre todas las dems que a largo plazo incidir en la fidelizacin del
cliente con la empresa.
e) Satisfaccin del cliente: es la variable resultante que evala la actitud o estado
psicolgico del consumidor tras su experiencia con el servicio.
f) Fidelizacin del cliente: es la variable de rendimiento del ndice de satisfaccin
y mide la capacidad que tiene la empresa de retener a sus clientes, en funcin del
nivel alcanzado en ese ndice7.
Imagen
3.206

1.666

Expectativas

0.64
1.417

2.353

Valor
Servicio

3.114

Satisfaccin

0.92

0.72

2.275

Fidelizacin

0.71

2.391

1.04

Calidad del
Servicio

Calidad del
Producto

0.11

4.2 Operacionalizacin de las variables latentes

Los siete componentes del ndice son por tanto variables latentes, medidas cada
una por dos o tres indicadores, en cada caso. El Plan de operacionalizacin de las
variables latentes en indicadores, se ha realizado mediante la utilizacin de un
cuestionario realizado a los usuarios de los servicios, de forma que los diferentes
indicadores son los tems o preguntas efectuadas:
Variables latentes

Indicadores (Items del cuestionario)

Q3. Satisfaccin global
Satisfaccin: variable principal
Q6 Cumplimiento de expectativas
Q16 Compaa respecto de la ideal
Q4a Avanzada tecnologa
Imagen: variable exgena
Q4b Buen servicio al cliente
Q4c Buena relacin calidad-precio
Q5a Expectativas sobre la calidad de las llamadas
Q5b Expectativas sobre la atencin al cliente
Expectativas del cliente
Q5c Expectativas globales
Q7c Gama de servicios
Calidad percibida del producto
Q7d Calidad tcnica
Hardware
Q7b Atencin personal
Calidad percibida del servicio
Software
Q8a Relacin atencin al cliente-precio
Q8b Relacin funcionamiento de servicos-precio
Valor percibido
Q8c Relacin global calidad de servicio-precio
Q10 Repeticin de compra/utilizacin
Fidelizacin del cliente
Q11 y Q12 Sensibilidad al precio

4.3 Formulacin del Modelo: Modelo de medicin + Modelo estructural

Para poder obtener una medida de los constructos o variables latentes del ECSI,
es necesario plantear las expresiones que relacionan cada uno de estos conceptos con
sus indicadores, es decir, elaborar el modelo estructural y el modelo de medicin que
subyacen en el ECSI.
1. Modelo de medicin: Especifica las ecuaciones que vinculan las variables latentes a
las observadas o indicadores x e y, expresado de forma matricial sera:

x = x +
y = y +
: imagen la variable latente exgena, : las variables latentes endgenas.
x la matriz de coeficientes de los indicadores de la variable exgena
y matrices de coeficientes de los indicadores de variables endgenas
y son los errores de medida.
2. Modelo estructural: Especifica las ecuaciones causales lineales entre las variables
latentes del modelo.

 = + +
Siendo:
: variables endgenas
: matriz de coeficientes de las variables endgenas
: matriz de coeficiente de la variable exgena
: variable exgena
: trmino perturbacin aleatoria
Las ecuaciones estructurales propuestas para el modelo seran las siguientes:
Imagen
Expectativa
Calidad producto
Calidad servicio
Valor del servicio
Satisfaccin
Fidelizacin

= Imagen
= 10 Imagen + 1
= 31 Expectativa + 3
= 21 Expectativa + 2
= 41 Expectativa + 42 Cal servicio + 43 Cal producto + 4
= 50 Im + 51 Exp +5,4 Val + 52 Cal serv + 43 Cal prod + 5
= 60 Imagen + 65 Satisfaccin + 6

4.4 Estimacin de los parmetros del modelo

En el modelo ECSI el criterio de estimacin seguido ha sido el de Mnimos
Cuadrados Parciales, aunque previamente, han sido aplicados sobre los mismos datos
otros tres mtodos de estimacin, con objeto de verificar la bondad del ajuste: Mxima
Verosimilitud, Mnimos Cuadrados Generalizados, y Distribucin Libre Asinttica. El
procedimiento ha sido estimar a la vez los valores de las variables independientes a
partir de los valores estimados de la variables latentes dependientes, empleando un
procedimiento de iteracin en el que el algoritmo asigna valores a los ponderadores de
los indicadores, hasta encontrar una convergencia estable. Los resultados de la
estimacin han sido obtenidos por la Escuela Estadstica de Estocolmo, depositaria del
programa informtico necesario para tal fin.
4.5 Ajuste del modelo
Existen diversos programas informticos para ajustar modelos: EQS, LISREL,
AMOS, CALIS, etc. En la elaboracin del ECSI se ha seguido el programa AMOS por
la posibilidad de trabajar con diagramas. La evaluacin del modelo se ha efectuado
utilizando diversos ndices:
- ndice de Ajuste Normado como medida de discrepancia entre el modelo
ajustado y el modelo base (NFI: Normed Fit Index).
- ndice de Bondad de Ajuste, similar al anterior, compara las discrepancias entre
el modelo ajustado y el modelo anterior al ajuste (GFI: Goodness of Fit Index).
- ndice ajustado de Bondad del Ajuste, es el mismo indicador que el anterior pero
ponderado por un ratio de los grados de libertad del modelo base y ajustado
(AGFI: Adjusted Goodness of Fit Index).
- ndice del ajuste parsimnico, obtenido a partir del ndice NFI y ponderado por
el cociente de los grados de libertad del modelo ajustado y el modelo base
(PNFI: Parsimonius Normed Fit Index).

ndice del Radical del error de aproximacin medio, que se obtiene como la raiz
cuadrada de la ratio del parmetro no central ajustado por los grados de libertad.
(RMSEA: Root Mean Square Error Aproximation).

5. RESUMEN Y CONCLUSIONES
La utilidad de los modelos de ecuaciones estructurales para el investigador social
radica en la aportacin de una visin global de los aspectos del fenmeno estudiado, en
contraposicin a otro tipo de herramientas estadsticas que se centran en el anlisis
individual de cada factor. Asimismo, reducen la cantidad de informacin que debe ser
analizada, ya que su fundamento es agrupar las relaciones entre un gran nmero de
variables en unos pocos factores, poniendo de relieve los aspectos esenciales de la
situacin explicada. En el caso del estudio de constructos o variables no medibles
directamente, estos modelos tienen la ventaja de carecer del error de medicin, pero el
inconveniente de que el investigador debe proceder a la explicacin objetiva de
relaciones causales entre variables que se caracterizan por su abstraccin y subjetividad.
En lo que respecta al estudio de la causalidad, la funcin de los modelos de
ecuaciones estructurales no es corroborar las relaciones causales entre las distintas
variables, sino facilitar su anlisis y toma de decisiones, para lo cual es necesario un
anlisis exploratorio de los datos y que el proceso de modelizacin sea seguido con
rigor. En ocasiones la confirmacin de un modelo de este tipo se ha considerado como
una prueba de validez, sin tener en cuenta que podran ser igualmente vlidos otros
modelos alternativos, puesto que las pruebas de significacin slo son efectivas cuando
se cumplen las condiciones especificadas.
6. BIBLIOGRAFA
- BATISTA FOGUET, Joan Manuel, COENDERS GALLART, Germ (2000). Modelos
de Ecuaciones Estructurales. Cuadernos de Estadstica 6, Editorial La Muralla SA,
Madrid
- BISQUERRA, R. (1989). Introduccin conceptual al anlisis multivariable. Vol. II,
PPU, Barcelona
- CARRERAS, E. (1999). Fundamentos Metodolgicos de la Evaluacin. La evaluacin
postpositiva: E.C.S.I., Tesis doctoral, Facultad de Ciencias Polticas y Sociologa,
Universidad Complutense de Madrid
- DEZ MEDRANO, J. (1992). Mtodos de anlisis causal. Cuadernos Metodolgicos,
CIS, Madrid
- LVY MANGIN, J.P. (1999). Modelizacin con Ecuaciones Estructurales y
Variables Latentes. CD-Rom , Coleccin Universidad, Editorial Erica
- LOEHLIN, JOHN C. (1998). Latent Variable Models. An Introduction to Factor,
Path, and Structural Analysis. Lawrence Erlbaum Associates Inc., Publishers, New
Jersey.
1

BISQUERRA, R. (1989). Introduccin conceptual al anlisis multivariable. Vol. II, PPU, Barcelona.
Pg. 481
2
Vase: LVY MANGIN, J.P. (1999). Modelizacin con Ecuaciones Estructurales y Variables Latentes.
CD-ROM , Coleccin Universidad, Editorial Erica, pgs. 217-218.

10

DEZ MEDRANO, J. (1992). Mtodos de anlisis causal. Cuadernos Metodolgicos, CIS, Madrid. Pg.
61.
4
BATISTA, J.M. y COENDERS, G. (2000). Modelos de ecuaciones estructurales. Cuadernos de
estadstica, 6, La Muralla, Madrid, pg. 68.
5
BATISTA, J.M. y COENDERS, G. (2000). Modelos de ecuaciones estructurales. Cuadernos de
estadstica, 6, La Muralla, Madrid, pg. 73.
6
Vase CARRERAS, E. (1999). Fundamentos Metodolgicos de la Evaluacin. La evaluacin
postpositiva: E.C.S.I., Tesis doctoral, Facultad de Ciencias Polticas y Sociologa, Universidad
Complutense de Madrid, pgs. 459-460.
7
Vase CARRERAS, E. (1999). Fundamentos Metodolgicos de la Evaluacin. La evaluacin
postpositiva: E.C.S.I., Tesis doctoral, Facultad de Ciencias Polticas y Sociologa, Universidad
Complutense de Madrid, pg. 493

11