Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos Causales
Modelos Causales
Generalidades
Para Byrne (2001) las principales ventajas de los modelos causales son permitir
un acercamiento ms bien confirmatorio que exploratorio, el cual es til para el
anlisis inferencial, as como el contraste de hiptesis, la definicin explcita de los
errores, la incorporacin de variables latentes y la estimacin de efectos directos e
indirectos. Segn Kline (1998), los modelos causales permiten evaluar el modelo
entero, lo cual permite integrar una visin a nivel macro en el anlisis, ms que una
visin micro. Si bien los estadsticos a nivel de dos variables especficas son de
inters, lo que prima es la preocupacin por generar un buen modelo a nivel global.
Asher (1983) afirma que los modelos causales se estn convirtiendo en una
herramienta analtica cada vez ms popular en las ciencias sociales. El uso de esta
tcnica tendra un carcter heurstico que permite incrementar nuestro
entendimiento de los fenmenos sociales y polticos. Segn Hair et al (1999), los
modelos causales son utilizados en casi todos los campos de estudio, desde
educacin, marketing, psicologa, sociologa, entre otros. A su vez, pueden ser
utilizados para analizar datos de diseos experimentales, as como no
experimentales. Esto ocurre, segn los autores, porque estos modelos permiten
tratar varias relaciones simultneamente y porque tienen la capacidad para evaluar
-2-
Complejidad: Teora y Mtodo Monica Gerber Plss
-3-
Complejidad: Teora y Mtodo Monica Gerber Plss
Otro tema relevante es que estos modelos permiten analizar efectos directos e
indirectos de una variable sobre otra. A su vez, los efectos totales son la suma de
ambos efectos (Kline, 1998).
Existen varias estrategias de modelizacin (Byrne, 2001; Hair et al, 1999; Kline,
1998):
Tipos de modelos
Los autores distinguen entre tres tipos de modelos causales (Kline, 1998; Byrne,
2001):
-4-
Complejidad: Teora y Mtodo Monica Gerber Plss
Supuestos de la tcnica
Los supuestos de esta tcnica son variados, y muchas veces, difciles de cumplir:
-5-
Complejidad: Teora y Mtodo Monica Gerber Plss
Adems, cuando se trabaja con Path Analysis y se quiere asumir una relacin de
tipo causal, se deben cumplir los siguientes supuestos:
- Asociacin suficiente entre dos variables (Asher, 1983; Hair et al, 1999)
- Antecedentes temporales de la causa frente al efecto (Asher, 1983; Hair et al,
1999). Dado que no se utilizan modelos experimentales, ambas variables se
miden al mismo tiempo. Por esta razn, es necesario introducir otros criterios
para determinar que esto se cumpla (Kline, 1998).
- Falta de alternativas a las variables causales. Eliminacin de otros factores
(Hair et al, 1999; Asher, 1983).
- Kline (1998) afirma que hay que tomar en cuenta posibles efectos de
interaccin de terceras variables porque estas pueden hacer que una relacin
no aparezca. Tambin hay que tener cuidado con posibles relaciones espurias.
- Base terica para la relacin (Hair et al, 1999).
-6-
Complejidad: Teora y Mtodo Monica Gerber Plss
Para lograr la identificacin del modelo hay que preocuparse de tres condiciones
necesarias pero no suficientes:
-7-
Complejidad: Teora y Mtodo Monica Gerber Plss
La calidad del modelo se evala por medio de varios aspectos. Uno de ellos es el
ajuste del mismo. Existen medidas de ajuste absoluto del modelo, medidas de ajuste
incremental y medidas de ajuste de parsimonia. Las medidas absolutas evalan solo
el ajuste del modelo como un todo, mientras que las medidas de ajuste incremental
permiten evaluar el modelo propuesto con otro especificado por el investigador. Por
ltimo, los de parsimonia ajustan la medida de ajuste de manera de poder comparar
modelos con diferente nmero de coeficientes estimados. A partir del anlisis de
estos coeficientes es posible reespecificar el modelo (Hair et al, 1999). Algunos
coeficientes utilizados son el GFI (Goodnes of fit index), el AGFI (Adjusted Goodnes
of fit index), los cuales van de 0 a 1, siendo 1 el ajuste perfecto. Son similares al R 2,
por lo que muestran la proporcin de covarianza observada que es explicada por las
covarianzas del modelo. El NFI (Normed fit index) indica la proporcin de mejora en
el ajuste total del modelo del investigador con respecto a un modelo de
independencia o de hiptesis nula, en el cual se asume que las variables observadas
no se encuentran relacionadas. Se interpreta como porcentaje de mejora (Kline,
1998). El R2 permite evaluar la proporcin de varianza explicada por el modelo
(Asher, 1983). El chi cuadrado es otra manera de estimar el ajuste del modelo. Sin
embargo, es muy sensible al tamao muestral, por lo que con muestras grandes,
cualquier diferencia resulta significativa.
-8-
Complejidad: Teora y Mtodo Monica Gerber Plss
-9-
Complejidad: Teora y Mtodo Monica Gerber Plss
Los modelos causales son parte de lo que podra denominarse como estadstica
clsica, la cual es uno de los mtodos utilizados en la ciencia clsica. En este sentido,
se entiende que son incapaces de trabajar con relaciones no lineales y que por lo
tanto, asumen cierto determinismo en las relaciones. Sin embargo, es posible
afirmar que los modelos causales incorporan, en cierta medida, aspectos de la
causalidad compleja, como son las interacciones, el papel del error, la incorporacin
de mltiples causas y una mirada enfocada en el todo. Evidentemente, esto ocurre
en mayor medida en los modelos recursivos. Esto ltimo es muy relevante para las
ciencias sociales, donde en muchas ocasiones resulta muy difcil discernir
temporalmente causa y efecto y donde muchos aspectos interactan en generar
algn resultado.
- 10 -