Preparándose para aprender sobre SEM

A continuación, se enumeran sugerencias sobre la mejor manera de prepararse para aprender sobre SEM.
Ofrezco estas sugerencias con el espíritu de brindarle una perspectiva saludable al comienzo de este viaje,
una que fortalezca su sentido de ser investigador.

Conoce tu área

La gran familiaridad con la literatura teórica y empírica en su área de investigación es lo más importante que
necesita para SEM. Esto se debe a que todo, desde la especificación de su modelo inicial hasta la
modificación de ese modelo en reanálisis posteriores hasta la interpretación de los resultados, debe guiarse
por su conocimiento de dominio. Por lo tanto, primero debe ser un investigador, no un experto en
estadística o informático. Esto es cierto para la mayoría de los tipos de análisis estadísticos, ya que el valor
del producto (resultados numéricos) depende de la calidad de las ideas (sus hipótesis) en las que se basa el
análisis.

De lo contrario, se aplica esa expresión familiar sobre análisis de computadora, "basura adentro, basura
afuera".

Conoce tus medidas

Kühnel (2001) nos recuerda que aprender sobre SEM tiene el subproducto que los recién llegados deben
tratar con problemas fundamentales de medición. Específicamente, el análisis de medidas con fuertes
características psicométricas, como una buena puntuación, confiabilidad y validez, es esencial en SEM. Por
ejemplo, es imposible analizar un modelo de ecuación estructural con variables latentes que representan
construcciones hipotéticas sin pensar en cómo medir esas construcciones. Cuando tiene una sola medida de
una construcción, entonces es especialmente crítico que este indicador tenga buenas propiedades
psicométricas.

Asimismo, el análisis de medidas con características psicométricas deficientes podría sesgar los resultados.
Desafortunadamente, la teoría de la medición se descuida con demasiada frecuencia hoy en día en
programas de pregrado y posgrado en psicología (Frederich, Buday y Kerr, 2000) y áreas relacionadas, pero
SEM requiere un fuerte conocimiento en esta área. Algunos conceptos cruciales relacionados con la
medición se consideran en el Capítulo 3.

Revisar conceptos y técnicas estadísticas fundamentales

Antes de aprender sobre SEM, debe tener una buena comprensión de (1) principios de correlación /
regresión múltiple, 1 (2) la interpretación correcta de los resultados de las pruebas estadísticas y (3) técnicas
de detección de datos. Estos temas se revisan en los próximos dos capítulos, pero puede ser útil saber ahora
por qué son tan importantes. Algunos tipos de resultados estadísticos en SEM se interpretan exactamente
como coeficientes de regresión en regresión múltiple (MR). Los valores de estos coeficientes se corrigen por
la presencia de predictores correlacionados en SEM tal como lo están en MR. El potencial de sesgo debido a
la omisión de un predictor que se correlaciona con otros en la ecuación es básicamente el mismo en SEM y
MR. La técnica de MR juega un papel importante en la detección de datos. Hay muchas pruebas estadísticas
en SEM, y su interpretación correcta es esencial. Entonces, con un sólido conocimiento de estos temas, está
mejor preparado para aprender sobre SEM.

Use la mejor computadora de investigación del mundo

Que es el cerebro humano; específicamente, el tuyo. Al final del análisis en SEM, o cualquier tipo de análisis
estadístico, es usted, como investigador, quien debe evaluar el grado de apoyo a las hipótesis, explicar
cualquier hallazgo inesperado, relacionar los resultados con los de estudios anteriores y reflexionar sobre
trascendencia de los hallazgos para futuras investigaciones. Todos estos son asuntos de juicio. Un experto
en estadística o informático podría ayudarlo a seleccionar las herramientas estadísticas apropiadas, pero no
con el resto sin su conocimiento de dominio. Como acertadamente expresaron Pedhazur y Schmelkin
(1991), "ninguna cantidad de dominio técnico le servirá de nada, si no piensa" (p. 2).

Obtenga una herramienta informática para SEM

Obviamente, necesita una herramienta informática para realizar el análisis. En SEM, muchas opciones de
herramientas informáticas ahora están disponibles. Algunos de estos incluyen EQS, LISREL y Mplus, pero
aún hay más, incluidos Amos, CALIS / TCALIS de SAS / STAT, Mx, RAMONA de SYSTAT y SEPATH de
STATISTICA. Hay versiones gratuitas para estudiantes de Amos, LISREL y Mplus, y las versiones para
estudiantes son excelentes para perfeccionar las habilidades básicas. Sin embargo, las versiones de los
estudiantes suelen estar limitadas en términos de la cantidad de variables que se pueden analizar, por lo
que generalmente no son adecuadas para análisis más complejos. Sin embargo, Mx puede analizar una
amplia gama de modelos de ecuaciones estructurales, y está disponible gratuitamente en Internet. Todas
las herramientas informáticas SEM que acabamos de mencionar, y otras, se describen en el Capítulo 4. El
sitio web de este libro (p. 3) tiene enlaces a páginas de inicio para herramientas informáticas SEM.

Unete a la communidad

Una red de correo electrónico llamada SEMNET opera a través de Internet y está dedicada a SEM.2 Sirve
como un foro abierto para discusión y debate sobre toda la gama de temas asociados con SEM. También
proporciona un lugar para hacer preguntas sobre análisis o sobre temas más generales, incluidos los
filosóficos (por ejemplo, la naturaleza de la causalidad). Los miembros de SEMNET provienen de diferentes
disciplinas, y van desde recién llegados hasta veteranos experimentados. Muchas obras de este último se
citan en este libro. (También me suscribo a SEMNET.) A veces, la discusión se vuelve viva (chispas pueden
volar), pero esta es la naturaleza del discurso científico. Ya sea que participe como un "acechador" (alguien
que lee principalmente publicaciones) o como un afiche activo, SEMNET ofrece oportunidades para
aprender algo nuevo. Incluso hay un tema musical para SEM, la hilarante Ballad of the Casual Modeler
(Rogosa, 1988). Creo que también podrías disfrutar escuchándolo.

Características de SEM

El término modelado de ecuaciones estructurales (SEM) no designa una técnica estadística única, sino que
se refiere a una familia de procedimientos relacionados. Otros términos como análisis de estructura de
covarianza, modelado de estructura de covarianza o análisis de estructuras de covarianza también se usan
en la literatura para clasificar estas técnicas juntas bajo una sola etiqueta. Estos términos son esencialmente
intercambiables, pero solo el primero se utilizará a lo largo de este libro. Otro término que puede haber
escuchado es modelado causal, que es una expresión algo anticuada que se asoció por primera vez con la
técnica SEM de análisis de ruta. Por razones elaboradas más adelante, los resultados de un análisis SEM
generalmente no pueden tomarse como evidencia de causalidad. Wilkinson y el Grupo de trabajo sobre
inferencia estadística (1999) fueron aún más contundentes cuando notaron que el uso de herramientas
informáticas SEM "rara vez produce resultados que tengan alguna interpretación como efectos causales" (p.
600). Algunos recién llegados a SEM tienen expectativas poco realistas a este respecto. Pueden ver el SEM
como un tipo de técnica mágica que permite discernir las relaciones causales en ausencia de diseños
experimentales o incluso cuasiexperimentales. Desafortunadamente, ninguna técnica estadística, SEM o de
otro tipo, puede de alguna manera "probar" la causalidad en diseños no experimentales. La interpretación
correcta y realista de los resultados de los análisis SEM se enfatiza a lo largo de este libro. A continuación se
resumen las características de la mayoría de las aplicaciones de SEM.

A priori no significa exclusivamente confirmatorio

Las herramientas informáticas para SEM requieren que proporciones mucha información sobre cosas como
qué variables se supone que afectan a otras variables y la direccionalidad de estos efectos. Estas
especificaciones a priori reflejan sus hipótesis, y en total conforman el modelo a analizar. En este sentido,
SEM puede ser visto como confirmatorio. Es decir, su modelo es un hecho al comienzo del análisis, y una de
las principales preguntas a responder es si está respaldado por los datos. Pero como sucede a menudo, los
datos pueden ser inconsistentes con su modelo, lo que significa que debe abandonar su modelo o modificar
las hipótesis en las que se basa. En una solicitud estrictamente confirmatoria, el investigador tiene un
modelo único que es aceptado o rechazado en función de su correspondencia con los datos (Jöreskog,
1993), y eso es todo. Sin embargo, en pocas ocasiones el alcance de las pruebas del modelo será tan
limitado.
Un segundo contexto, algo menos restrictivo, se refiere a la prueba de modelos alternativos, y se refiere a
situaciones en las que hay disponible más de un modelo a priori (Jöreskog, 1993). Este contexto requiere
suficientes bases teóricas o empíricas para especificar más de un modelo; el modelo particular con
correspondencia aceptable con los datos puede ser retenido, pero el resto será rechazado.

Un tercer contexto, el de la generación de modelos, es probablemente el más común y ocurre cuando un

modelo inicial no se ajusta a los datos y posteriormente es modificado por

 el investigador. El modelo alterado se prueba nuevamente con los mismos datos (Jöreskog, 1993). El
objetivo de este proceso es "descubrir" un modelo con tres propiedades: tiene sentido teórico, es
razonablemente parsimonioso y su correspondencia con los datos es aceptablemente cercana.