Documentos de Académico
Documentos de Profesional
Documentos de Cultura
estructurales:
una herramienta de investigación
4
Sistema de ecuaciones
estructurales:
una herramienta de investigación
Cuaderno técnico 4
Sistema de ecuaciones estructurales:
una herramienta de investigación
Cuaderno técnico 4
Revisión técnica:
Lucía Monroy Cazorla
Mauricio Arce Orozco
Abril de 2009
Dirección General
Rafael Vidal Uribe
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Antecedentes históricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Áreas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Relaciones causales entre variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Variables latentes y variables manifiestas . . . . . . . . . . . . . . . . . . . . . . . . . 15
Elementos de los modelos de ecuaciones estructurales . . . . . . . . . . . . . . . 16
Tipos de parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Tipos de modelos de ecuaciones estructurales . . . . . . . . . . . . . . . . . . . . . 19
Identificabilidad del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Métodos de estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Modelos con variables discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Bondad de ajuste del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Efecto total, directo e indirecto entre variables . . . . . . . . . . . . . . . . . . . . . 39
Lisrel (LInear Structural relations) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Introducción a Lisrel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
La pantalla principal de Lisrel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Prelis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Crear la base desde Prelis Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Importar la base desde un archivo externo . . . . . . . . . . . . . . . . . . . . . . . . 47
Datos faltantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Obtención de la matriz de correlaciones Pearson,
policóricas y asintótica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Dibujando el diagrama que describe al modelo . . . . . . . . . . . . . . . . . . . . 54
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Índice de tablas
Tabla 1.
Notación básica en los modelos de EE . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Tabla 2.
Funciones de ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Tabla 3.
Medidas de correlación entre variables con distintas escalas . . . . . . . . . . . 34
Índice de figuras
Figura 1.
Modelo recursivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Figura 2.
Modelo no recursivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Figura 3.
Modelo factorial confirmatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Figura 4.
Modelo de regresión estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Figura 5.
Modelo mimic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Figura 6.
Modelo de crecimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Figura 7.
Correlaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Figura 8.
One way path . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 9.
Multi-segment path . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 10.
Correlación entre calesc y capitec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Figura 11.
Habilidad del sustentante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 12.
Ajuste del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Figura 13.
Residuos estandarizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Figura 14.
Índices modificados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Figura 15.
Valores estandarizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Figura 16.
Efectos indirectos y totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Figura 17.
Modelo con tres factores en población femenina . . . . . . . . . . . . . . . . . . . 88
Prefacio
10 Cuaderno técnico 4
descomposición más clara de los efectos directos, indirectos y totales. Lisrel
incorpora modelos con variables latentes y variables medidas, fundamentales
en las técnicas contemporáneas de ecuaciones estructurales.
El desarrollo de modelos con esta combinación de variables –latentes y me-
didas– se ha incrementado de forma espectacular. Jöreskog extendió el análisis
factorial exploratorio al factorial confirmatorio, desarrolló el modelo factorial
de segundo orden, el análisis factorial multi-grupo y el ya citado modelo general
de ecuación estructural Lisrel. Además, desarrolló métodos para la estimación y
prueba de dichos modelos para datos transversales, longitudinales, multi-grupo
y multinivel.
La influencia de Jöreskog no sólo se limita a los desarrollos propios. Varios
de sus estudiantes de doctorado han realizado importantes contribuciones. Por
ejemplo, Sörbom (1974) extiende el modelo multi-grupo para incluir medias en
las variables latentes; Muthén (1977) introduce métodos para incluir variables
observadas categóricas; Hägglund (1985) contribuye con el método de mínimos
cuadrados por medio de estimación de dos estados (two-state last-square methods);
Quiroga (1992), por su parte, realiza estudios de robustez con correlaciones
policóricas para desviaciones del supuesto de normalidad, mientras que Yang-
Wallentin (1997) desarrolla métodos para estimar relaciones no lineales. Los
avances recientes en modelos de ecuaciones estructurales comprenden exten-
siones para estimaciones en datos que provienen de muestras complejas, mo-
delos lineales generalizados y series de tiempo.
12 Cuaderno técnico 4
Relaciones causales entre variables
14 Cuaderno técnico 4
Variables latentes y variables manifiestas
Símbolo
Variable expresado en Descripción
forma matricial
16 Cuaderno técnico 4
En modelos en donde sólo se incluyen variables observadas (modelo de
trayectorias) algunas veces se usan las matrices B y Γ en lugar de Λ. En el caso
de los errores, se utiliza ζ en lugar de ε para simplificar la notación. Lo anterior
es conveniente si dichos modelos ajustan con Lisrel.
18 Cuaderno técnico 4
Tipos de modelos de ecuaciones estructurales
γ21 γ11
X1 γ11 X1 Y1 ζ1
γ21
β21
ζ1 Y1 Y2 ζ2 β21 β12
γ12
γ12 γ22
X2 γ22 X2 Y2 ζ2
Y = BY + ΓX+ ζ
Esto es:
Y1 = γ11 X1 + γ12 X2 + ζ1
Y2 = β21 Y1 + γ21 X1 + γ22 X2 + ζ2
( )(
Y1
Y2 =
0
β21
0
0 )( ) (Y1
Y2
γ11
+ γ
21
γ12
γ22 )( ) ( )
X1
X2 +
ζ1
ζ2
31
ξ1 21 32 ξ3
ξ2
X1 X2 X3 X4 X5 X6 X7 X8
δ1 δ2 δ3 δ4 δ5 δ6 δ7 δ8
20 Cuaderno técnico 4
La ecuación asociada a este modelo es:
X = Λxξ+δ
X1 λ11 0 0 δ1
X2 λ21 0 0 δ2
X3 λ31 0 0 δ3
ξ1
X4 0 λ42 0 δ4
= ξ2 +
X5 0 λ52 0 δ5
ξ3
X6 0 λ62 0 δ6
X7 0 0 λ73 δ7
X8 0 0 λ83 δ8
δ1 X1 λx11 λy11 Y1 ε1
ζ1
Y4 Y5 Y6
ε4 ε5 ε6
Modelo estructural:
η= Bη + ΓX + ζ
Modelo de medición:
Y = ΛX η + ε
X = ΛY ξ + δ
El modelo mimic (multiple indicators and multiple causes of a single latent variable)
es un caso especial del modelo de regresión estructural.
22 Cuaderno técnico 4
Figura 5. Modelo mimic
X1
ζ1
X2 Y1 ε1
X3 η1 Y2 ε2
X4 Y3 ε3
X5
η = ΓX+ζ
Y=Λyη+ε
Intercepto Pendiente
24 Cuaderno técnico 4
Identificabilidad del modelo
26 Cuaderno técnico 4
Para ilustrar la regla de condición de orden, considérese el modelo expresado
por medio de las siguientes ecuaciones.
Hay dos variables dependientes (Y1 y Y2) y dos independientes (X1 y X2).
Si se aplica la regla de condición de orden para la ecuación uno, se cumple que
por lo menos exista una variable excluida de la ecuación (esto es, Y1 y X2) y lo
mismo sucede con la ecuación dos.
Para aplicar la regla de condición de rango usando este ejemplo, primero se
obtendrá la matriz C.
(I-B)= ( 10 01 ) -( β0 β0 ) = (-β1
21
12
21
-β12
1 )
Si se junta a (I-B) con -Γ se obtiene:
C= ( -β1 21
-β12 -γ11 0
1 0 -γ22 )
1
El rango de una matriz es el número de filas o columnas linealmente independientes. Una fila
o columna es linealmente dependiente de otra cuando es posible establecer una combinación
lineal entre ellas. Por ejemplo, si f1 = 2f2 + 3f3 entonces se dice que la fila uno es linealmente
dependiente de la fila 2 y la fila 3. Por el contrario, una fila o columna es linealmente indepen-
diente de otra u otras cuando no se puede establecer una combinación lineal entre ellas.
C1 = ( -γ0 )
22
28 Cuaderno técnico 4
en donde se observan las asociaciones entre latentes (lo que se denominó como
modelo estructural). De esta forma se reescribe al modelo como uno de varia-
bles observadas en donde η es ahora Y y ξ es X y se procede a utilizar una de las
reglas de identificabilidad para modelos de trayectoria. Si la identificabilidad se
cumple en ambos pasos, es suficiente para considerar al modelo en su totalidad
como identificable.
Regla mimic. Sólo es aplicable en los modelos mimic. Establece que si el nú-
mero de variables observadas Y es mayor o igual que dos y el de observadas X
es mayor o igual que uno, y se fija uno de los coeficientes que van de η a Y, es
suficiente para que el modelo sea identificable.
Σ=Σ(θ)
30 Cuaderno técnico 4
El método de máxima verosimilitud es quizá el más empleado y trabaja bajo
el supuesto de normalidad de los datos. Recientemente se ha comprobado (Bo-
llen, 1989) que bajo pequeñas desviaciones de normalidad este método puede
ser adecuado. Otro método que también opera bajo el supuesto de normalidad
es el de mínimos cuadrados generalizados. Este método y el de mínimos cua-
drados no ponderados son análogos al método de ols (ordinary least square) em-
pleado en regresión lineal, aunque el gls se pondera por una matriz de pesos.
El método de mínimos cuadrados ponderados, también conocido como mé-
todo de distribución asintóticamente libre, se puede utilizar cuando se viole el
supuesto de normalidad de los datos. De hecho, es imprescindible si el modelo
contiene una o más variables categóricas y por lo tanto se trabaja con matrices
policóricas, poliseriales y tetracóricas. Este método requiere particularmente
que la muestra sea considerablemente grande (n > 250, Willet y Sayer, 1994).
A= ( aa 11
21
a12
a22 )
la traza de A, esto es, tr(A) = a11 + a22
32 Cuaderno técnico 4
Modelos con variables discretas
34 Cuaderno técnico 4
Bondad de ajuste del modelo
T = (N-1) Fmin
36 Cuaderno técnico 4
debajo de 0.05 y entre más cercano a cero es mayor la evidencia de buen ajuste.
Los índices de ajuste de incremento son: índice de ajuste normado (nfi = Nor-
med Fit Index), índice de ajuste no normado (nnfi o tli = Non Normed Fit Index),
índice de ajuste comparativo (cfi = Comparative Fit Index), índice incremental de ajuste
(ifi o bl89 = Incremental Fit Index), índice relativo de ajuste (rfi = Relative Fit Index),
índice esperado de validación cruzada (ecvi = Expected Cross Validation Index) y criterio
de información de Akaike (aic = Akaike Information Criterion).
El nfi se calcula por medio de la diferencia del valor de la ji-cuadrada aso-
ciada al modelo de independencia con respecto a la del modelo propuesto.
Una limitación de este índice es que no toma en cuenta los grados de libertad,
de manera que no es posible valorar la complejidad del modelo ni tampoco el
tamaño de muestra. El nnfi es una variante del nfi aunque aquel sí considera
los grados de libertad y el tamaño de muestra. Los índices cfi, ifi y rfi tienen
variaciones con respecto al nfi pero siempre bajo la misma idea de incluir en la
expresión al modelo de independencia versus el modelo propuesto. En general,
todos estos índices toman valores entre cero y uno, y valores cercanos a uno
indicarán que el modelo tiene muy buen ajuste.
El ecvi permite cuantificar el cambio que se produce al comparar al modelo
propuesto con el modelo de independencia y saturado. Lo deseable es que el ecvi
asociado al modelo propuesto sea el más pequeño con respecto a los otros dos.
El aic es un índice que toma en cuenta la complejidad del modelo y el grado
de ajuste; al igual que el ecvi compara al modelo con los otros dos ya mencio-
nados. Lo atractivo de estos dos índices es que, cuando se cuenta con varias
versiones del modelo original, se pueden comparar entre sí por medio de los
valores obtenidos del ecvi y aic y utilizarlos para elegir al que tenga el mejor
ajuste, prefiriendo a aquel cuyos índices en conjunto sean los de menor valor.
Un punto de corte aceptable para los índices gfi, agfi, nfi, nnfi, cfi, ifi
y rfi es de 0.9.
38 Cuaderno técnico 4
Efecto total, directo e indirecto entre variables
D iversos paquetes estadísticos sirven para ajustar este tipo de modelos. Al-
gunos fueron desarrollados específicamente para este fin, como AMOS,
EQS, Lisrel y M-PLUS; otros incluyen únicamente un módulo particular para
realizar esta tarea. Dentro de estos últimos destacan r, s-plus, sas, spss, Stata,
Systat, entre otros.
Lisrel se mantiene a la vanguardia en el desarrollo de las rutinas computa-
cionales para introducir los desarrollos recientes en estos modelos. Para ilustrar
el ajuste de algunos modelos de ecuaciones estructurales, en el ámbito de la
evaluación educativa, haremos uso de este paquete.
40 Cuaderno técnico 4
Introducción a Lisrel
42 Cuaderno técnico 4
Syntax Only (.pr2, .ls8, .spl)
prelis Data (.pr2)
simplis Project (.spj)
lisrel Project (.lpj)
Path diagram (.pth)
P relis es un módulo incluido en Lisrel que sirve para preparar los datos que se-
rán usados cuando se lleve a cabo la construcción del modelo de ecuaciones
estructurales, o bien para hacer otro tipo de análisis estadístico diferente a sem.
Para poder trabajar los datos en Prelis es necesario disponer de una base con ex-
tensión .pr2. Hay dos formas de obtenerla: a) capturando directamente los datos
por medio de la opción Prelis Data, y b) importando una base que se encuentre
en otro tipo de formato.
44 Cuaderno técnico 4
Crear la base desde Prelis DATA
Una vez elegido el número de casos, en una ventana parecida a Excel se po-
drán ir capturando los datos. En principio, siempre aparece en ceros. Una vez
capturada la información se debe guardar la base por medio de File → Save o
con el icono que muestra un diskete (la extensión debe ser .psf).
46 Cuaderno técnico 4
Importar la base desde un archivo externo
T ambién es posible capturar el archivo como spss, texto, ascii, Excel, sas.
Para importar la base se deberá elegir de la pantalla principal las siguientes
opciones File → Import Data in Free Format o File → Import External Data in
Other Format, lo que depende del tipo de archivo. Como se despliega una nueva
ventana se deberá buscar la ubicación de la base que se desea importar y elegir
abrir. Aparecerá una pantalla con la base importada, la cual ha sido guardada
automáticamente con el mismo nombre pero con extensión .psf.
48 Cuaderno técnico 4
Obtención de la matriz de correlaciones Pearson,
policóricas y asintótica
50 Cuaderno técnico 4
Automáticamente aparecerá un nuevo archivo que contiene la salida comple-
ta: código de instrucciones para obtener la matriz, ubicación de la base de datos
que utilizó Prelis para leer la información, así como estadísticas descriptivas de
las variables (frecuencias en caso de variables no continuas), la matriz de corre-
laciones policóricas, entre otras cosas. Este archivo generalmente es guardado
con el mismo nombre de la base de datos que utilizó pero con extensión .out.
También, por default, Prelis creará un archivo con extensión .dsf que deberá ser
usado cuando se construya el modelo, ya que contiene la información del nombre
de las variables, así como la ubicación de los archivos que contienen a las matrices
que se calcularon. El siguiente cuadro muestra una porción de la salida para el
ejemplo que se estará utilizando a lo largo de la construcción del modelo. La base
que se utilizó (modcua2h2.psf) contiene 24 variables y sólo una de ellas (theta)
es continua. Como no se declara explícitamente cuál variable es categórica y cuál
continua, el programa impone un límite máximo de categorías; si se rebasa el nú-
mero, el paquete declarará a esa variable como continua y desplegará en la salida
un Warning en el que informa que la variable será tratada como continua, tal como
se muestra en el ejemplo. Esta salida despliega, entre otras cosas, el número de
casos faltantes por variable, gráfica de frecuencias y medidas de tendencia central
(en caso de que la variable sea continua), tipo de correlación que se calculó según
el par de variables y, por último, la matriz de correlaciones.
52 Cuaderno técnico 4
Figura 7.
Variables latentes:
η= compromiso académico (comaca)
ξ1 = calidad de la escuela (calesc)
ξ2= capital económico (capiteco)
54 Cuaderno técnico 4
X 2 = porcentaje de compañeros que logró una excelente preparación en la se-
cundaria (pre_com)
X3 = preparación de los maestros que impartían clases en la secundaria (pre_ma)
X4 = maestros que llegaban tarde a clase en el último año de secundaria (ma_tar)
X5 = faltas frecuentes de maestros en el último año de la secundaria (ma_falt)
56 Cuaderno técnico 4
La parte superior es muy parecida, pero no igual, a la pantalla principal de
Lisrel. La barra de menú contiene las opciones File, Edit, Setup, Draw, View, Ima-
ge, Output, Window y Help.
File cuenta con las mismas características del File de la pantalla principal,
aunque aquí es posible exportar un diagrama a otros tipos de formato como .gif
y .wmf. Edit permite hacer modificaciones al modelo. Setup introduce la infor-
mación con respecto a los datos como ubicación de la base, número de casos,
tipo de matriz con la que se va a trabajar, etc. En Draw se dibujan las variables,
las trayectorias, correlaciones y se pueden escribir notas dentro del diagrama.
View permite modificar el aspecto de la pantalla cuadriculada (área en donde
se dibujará el modelo) y los iconos que aparecen en la parte superior, elegir qué
resultados se mostrarán en el diagrama (parámetros estimados, solución estan-
darizada, valores t, entre otros) y especificar (opcional) el tipo de modelo que
se va a dibujar. Image ayuda a cambiar el aspecto del diagrama. Con Output es
posible escoger el tipo de método de estimación, el contenido de la corrida y las
matrices que se quieran guardar en un archivo independiente. Para comenzar a
construir el modelo, utilizaremos principalmente Setup, Draw y Output.
58 Cuaderno técnico 4
La tercera ventana, Labels, sirve para especificar cuáles serán las variables
observadas y latentes que describirán al modelo.
Para incluir las variables observadas se elige la opción Add/read variables del
cuadro izquierdo (Observed variables) y las latentes por medio del cuadro derecho
(Latent variables). Sin embargo, la diferencia entre estos dos radica en que por
medio del primero se deberán leer las variables observadas de una base en par-
ticular, mientras que en el otro únicamente se puede escribir el nombre con el
cual se identificará una variable latente.
Al elegir la opción izquierda aparece una nueva ventana Add/read variables.
Con el botón Browse se busca el archivo que contiene la información de las
variables que intervendrán en el modelo. Se puede elegir un archivo creado en
Prelis o en Lisrel. En general, el más usado es el del segundo. Este archivo tiene
extensión .dsf y, como se mencionó, contiene la información del nombre de las
variables y la ubicación de las matrices que se obtuvieron por medio de Prelis.
60 Cuaderno técnico 4
En el cuadro de la izquierda se despliegan los nombres de las variables ob-
servadas que conformarán al modelo y en el de la derecha, los nombres de las
latentes: compac, calesc y capiteco (siguiendo ese orden).
Finalmente, si se desea borrar una variable latente se hace clic en el número
del costado izquierdo de la variable seguido de la tecla supr del teclado.
La siguiente ventana es Data. En ella se debe especificar el tamaño de la
muestra (Number of observation) y la matriz que se va a analizar, recordando que
cuando se calcule la matriz policórica o asintótica, la matriz que se va a analizar
será de correlaciones. Esta ventana es la última opción del Setup, por lo que
ahora se deberá oprimir Ok.
62 Cuaderno técnico 4
Por medio de la opción Draw o de la paleta de dibujo (en general se activa
automáticamente), que tienen las mismas seis opciones, se podrán trazar las
trayectorias (flechas unidireccionales →) y correlaciones (flechas bidireccionales
←→) entre variables, además de escribir texto y fijar parámetros.
Select (primer icono en la paleta) permite seleccionar uno o más objetos del
diagrama para moverlos, alinearlos, cambiarles el color, el tipo de fuente, etcétera.
One-way path (segundo icono) sirve para dibujar la trayectoria (asociaciones)
entre las variables. Para dibujar una trayectoria, se debe seleccionar esta opción
y colocar el mouse en la variable de la cual saldrá la flecha, arrastrarlo con el bo-
tón izquierdo apretado hasta llegar a la variable que recibirá la trayectoria. Esto
se hace para cada una de las trayectorias del modelo. Si se quiere desactivar ese
icono, se deberá seleccionar Select y dar clic con el botón izquierdo del mouse
dentro de la cuadrícula. Esto aplica para cualquier opción de la paleta.
Multi-segment path (tercer icono) tiene la misma finalidad del segundo icono,
pero permite dibujar la flecha en segmentos.
Error covariance or factor correlation (cuarto icono) sirve para dibujar las correlacio-
nes entre variables o errores. Para ello se procede igual que con las trayectorias.
Plain text (quinto icono) sirve para insertar texto al diagrama. Una vez activa-
do este icono se deberá dibujar un rectángulo arrastrando el botón izquierdo del
mouse y escribiendo el texto dentro de la figura trazada. Para cambiar la fuente
o el color del texto se utiliza el botón derecho del mouse y se selecciona Options.
64 Cuaderno técnico 4
Por último, Zoom (sexto icono) permite reducir o incrementar el tamaño del
diagrama.
Cuando el modelo incluye variables latentes, es necesario fijar la escala de
cada una de ellas (para que el modelo no tenga problemas de identificabilidad).
Esto se logra fijando en un valor específico (Lisrel los fija en 1) a alguna de
las trayectorias que van de la variable latente a una de las observadas. Así, por
ejemplo, si el modelo contiene tres variables latentes se deberán fijar tres trayec-
torias, una por cada una de ellas. Para realizar esto, se selecciona con el botón
izquierdo del mouse la trayectoria deseada y se utiliza el botón derecho para se-
leccionar la opción Fix. Deberá cambiar de color la flecha dentro del diagrama,
lo que permite verificar que efectivamente se fijó ese parámetro.
En el ejemplo se decidió fijar en uno las trayectorias que van de compac a
con_ent, de calesc a pre_com y de capiteco a ser_lav. En los dos primeros casos
fue arbitraria la decisión, en la tercera trayectoria se fijó debido a que contar con
lavadora presentó la menor variabilidad en la respuesta.
66 Cuaderno técnico 4
La ventana despliega todos los métodos disponibles para estimar los pa-
rámetros, así como otras opciones relacionadas con el número de iteraciones
permitidas para llegar a la solución final, etcétera. En general estas opciones no
se modifican a menos que exista un problema de convergencia, por lo que no es
necesario hacer cambios en esta sección. La siguiente ventana, Selections, muestra
las opciones que queremos que despliegue en el archivo de salida. Se pueden
elegir algunas o todas por medio de Print all. La parte inferior de esta ventana
permite invocar al modelo, si así se desea.
68 Cuaderno técnico 4
La siguiente secuencia de instrucciones se obtiene con Simplis. Como
muestra el código, los dos primeros renglones hacen referencia al título y a
los comentarios. La tercera línea indica la ubicación del archivo modcua2h2.
dsf que contiene la información de la ubicación de las matrices policórica y
asintótica. La cuarta línea indica el tamaño de muestra. La quinta corresponde
al nombre de las variables latentes. A partir de la séptima línea y hasta la déci-
mo segunda se indican las trayectorias que van de las latentes a las observadas.
Véase que no aparece la trayectoria que va de compac a con_ent, de calesc a
pre_com y de capitec a ser_lav, ya que se fijaron los parámetros, lo que se puede
corroborar en el diagrama (las trayectorias aparecen de color gris claro y no en
azul como las otras). La línea 29 indica que se está pidiendo que, una vez esti-
70 Cuaderno técnico 4
Con la sintaxis de Lisrel se obtiene la siguiente secuencia de instrucciones. Al
igual que en Simplis, la primera línea hace referencia al título. La segunda contie-
ne la especificación con respecto al número de variables observadas, tamaño de
muestra, número de grupos (poblaciones a las que se aplicará el mismo modelo)
y el tipo de matriz que se usará (MA = matriz y KM = correlación). La tercera
línea es similar a la segunda de Simplis. La cuarta la ubicación de la matriz de
varianzas-covarianzas asintótica (en este caso la matriz se guardó en el archivo
asin2h2.acm). A partir de la siguiente línea y hasta la 15, se especifica la forma
de las matrices que contienen los parámetros libres, parámetros fijos y nombre
de las variables. En particular, a partir de la 12 se indica cuáles son las trayecto-
rias que se van a estimar. Para poder especificar que son parámetros libres, la
línea debe comenzar con la instrucción FR (free) seguido de la lista de paráme-
tros. Como ya se mencionó, en este ejemplo se tienen 24 variables observadas.
Las siete primeras se asociaron con la única variable latente dependiente (com-
pac) y las restantes 17 con alguna de las dos latentes independientes (calesc y
capitec); en particular, las cinco primeras se asociarán con calesc y las siguientes
12 con capitec, Véase que en el código se hace referencia a LY, LX y ga. LY se
refiere a la matriz que contiene las asociaciones entre variables latentes depen-
dientes y sus correspondientes observadas Y. LX es la matriz de coeficientes
entre latentes independientes y observadas X y ga entre latentes independien-
tes y latentes dependientes. En este ejemplo, tenemos una única variable latente
dependiente (compac) asociada a siete variables, por lo que LY(1,1) a LY(7,1)
siempre muestra un uno en la segunda entrada y lo que varía es la primera, que
va de uno a siete. Por otro lado, como las X´s están asociadas con latentes in-
dependientes, la numeración tiene que volver a comenzar desde uno. De esta
forma LX(1,1) a LX(5,1) son las trayectorias que van de calesc a X1 y hasta X5
y LX(6,2) a LX(17,2) las que van de capitec (segunda latente independiente) a
X6 y hasta X17. La instrucción va indica qué parámetros se fijaron. En este caso,
LY(4,1), LX(2,1) y LX(7,2) tomarán el valor de uno, y se puede corroborar en
Una vez que se verificó la sintaxis, se elige el botón Run Lisrel ubicado en la
parte superior de la pantalla. Automáticamente se despliega el modelo estimado
y por medio de la opción Window (de la barra de menú) nos podemos mover
al archivo de sintaxis y al de salida. El diagrama que Lisrel o Simplis despliegan
después de estimar el modelo muestra por default los valores de las estimacio-
72 Cuaderno técnico 4
nes de los parámetros; sin embargo, también es posible desplegar otros valores
como la solución estandarizada, los valores t, etcétera. Para hacer este cambio
se debe utilizar la opción de Estimates que se encuentra arriba de la cuadrícula,
tal como se muestra a continuación:
74 Cuaderno técnico 4
Figura 10.
76 Cuaderno técnico 4
Figura 11. ► Figura 11. ►
78 Cuaderno técnico 4
Posteriormente, se despliegan los índices que permitirán evaluar la bondad
de ajuste del modelo. El valor p asociado a la ji-cuadrada (1374.97, p = 0.0)
aporta evidencia para decir que el modelo propuesto no está ajustando ade-
cuadamente a los datos. Los índices de ajuste GFI y AGFI obtuvieron valores
superiores al 0.90, mientras que el RMSEA y el RMR fueron superiores al 0.05
(lo que no es deseable). En relación con los índices de ajuste de incremento, el
NFI, NNFI, CFI, IFI y RFI mostraron valores por debajo del 0.85. El ECVI
y el AIC indican que el modelo saturado es mejor en ajuste que el modelo que
se propuso, aunque el propuesto es mejor que el de independencia. Finalmente,
el CAIC, indica que el modelo propuesto es mejor en ajuste que el saturado y el
de independencia. Estos resultados, permiten concluir que el modelo propuesto
para la población masculina no está ajustando adecuadamente a los datos, ya
que la mayoría de los índices mostraron valores inferiores al punto de corte
deseado. Cabe mencionar, que un modelo puede presentar parámetros muy
significativos y un ajuste muy pobre, parámetros no significativos y buen ajuste,
parámetros no significativos y ajuste pobre o parámetros muy significativos y
buen ajuste. En este caso, estamos ante el primer escenario.
80 Cuaderno técnico 4
Los residuos estandarizados son otra forma de evaluar el ajuste del modelo.
Lisrel despliega la matriz de residuos estandarizados como se muestra a conti-
nuación. Los residuos no aportan mucha información si los errores no siguen
una distribución normal. A pesar de que en este caso aproximadamente 24% de
ellos se ubicaron por fuera del intervalo deseado (-2,2), no los utilizaremos para
la evaluación del modelo debido a que no se cumple el supuesto de normalidad.
82 Cuaderno técnico 4
Figura 13.
84 Cuaderno técnico 4
Otra forma de reportar los coeficientes asociados a las trayectorias del mo-
delo es por medio de valores estandarizados. Esto es deseable cuando se quiere
comparar la magnitud de los coeficientes. Cabe mencionar que las trayectorias
fijadas en uno cambian debido a esta estandarización; sin embargo, es recomen-
dable reportar el valor fijado (en este caso es de uno) para ser consistentes con
las especificaciones iniciales.
86 Cuaderno técnico 4
A manera de conclusión, podemos mencionar que el ajuste de este modelo
fue muy pobre considerando la magnitud de los índices, a pesar de que las va-
riables asociadas a cada uno de los factores presentaron fuertes asociaciones, en
particular para la variable de interés habilidad del sustentante (theta).
Presentado en una población masculina, este modelo se estimó para una po-
blación femenina. Se presenta la salida del modelo y algunos comentarios. Para
este ejemplo, la muestra final se constituyó por 971 mujeres, aunque la base era
originalmente de 1144. El programa requirió de 38 iteraciones para llegar a la
solución final y, al igual que en el primer modelo, los 51 parámetros resultaron
estadísticamente significativos (diferentes de cero).
Los índices de bondad de ajuste mostraron los siguientes resultados. El valor
p asociado a la ji-cuadrada (2005.20, p = 0.0) aportó evidencia en contra del
modelo propuesto, lo que indicaría que el modelo no está ajustando adecuada-
mente a los datos. Sin embargo, los índices GFI, AGFI, NFI, NNFI, CFI, IFI y
RFI presentaron valores superiores al 0.90. ECVI, AIC y CAIC indicaron que
el modelo propuesto es mejor que el de independencia pero no que el saturado.
Estos valores en conjunto aportan evidencia para concluir que el modelo ajusta
relativamente bien a los datos.
Aproximadamente, 30% de los residuos estandarizados estaban fuera del
intervalo (-2, 2); sin embargo, este resultado no se utilizará para evaluar el ajuste
del modelo debido a que no se cumple el supuesto de normalidad de los errores
como en el caso del modelo para población masculina.
Los índices modificados mostraron que el mayor decremento en la ji-cua-
drada se daría si se considerara la trayectoria entre capitec y exi_esc, ya que se
registraría una disminución de aproximadamente 74.56 en la ji-cuadrada.
Todos los efectos indirectos de calesc y capitec a las variables Y resultaron
estadísticamente significativos (diferentes de cero); específicamente, los que
desembocan a la habilidad del sustentante (theta) indican que a mayor calidad
de la escuela y a mayor capital económico mayor es la habilidad del sustentante.
88 Cuaderno técnico 4
Figura 17. ► Figura 17. ►
90 Cuaderno técnico 4
Figura 17. ►
92 Cuaderno técnico 4
Figura 17. ►
94 Cuaderno técnico 4
Figura 17. ► Figura 17. ►
96 Cuaderno técnico 4
Bibliografía
Bollen, K. (1989). Structural Equations with Latent Variables, 1a. ed., New York:
John Wiley & Sons.
Boomsma, A. (1985). Nonconvergence, improper solutions and starting values
in Lisrel maximum likelihood estimation, Psychometrika, 50, 229-242.
DuToit, M. & DuToit S. (2001) Interactive Lisrel: User’s Guide, 2a. ed., Lincol-
nwood, IL: Scientific Software International, Inc.
Everitt, B., S. (1984). An introduction to latent variable models, 1a. ed., New York:
Chapman and Hall.
Jöreskog, K. G. (2001). Lisrel 8: User´s Reference Guide, 2a. ed., Lincolnwood, IL:
Scientific Software International, Inc.
Hägglund, G. (1985). Factor analysis by instrumental variable method, Psycho-
metrica, 47, 209-222.
Jöreskog, K. G. (1973). A general method for estimating a linear structural
equation system. En A. S. Goldberger & O. D. Duncan (eds.), Structural
Equations Models in the Social Sciences, pp. 85-112, New York: Academic Press.
Keesling, M. G. (1972). Maximum Likelihood Approaches to Causal Analysis. Ph.D.
dissertation.: University of Chicago: Department of Education.
Loehlin, J. C. (1992). Latent variable models: an introduction to factor, path and structural
analysis, 2a. ed., Mahwah, NJ: Lawrence Erlbaum Associates Publishers.
Muthén, B. (1977). Some results on using summed raw scores and factor scores
from dichotomous item in the estimation of structural equations models.
Unpublished Technical Report, University of Uppsala, Sweden. Recuperado
en enero del 2009, de http://www.gseis.ucla.edu/faculty/muthen/articles/
Muthen_Unpublished_01.pdf
Quiroga, A, .M. (1992). Studies of the Polychoric Correlation and Other Correlation Mea-
sures for Ordinal Variables. PhD Dissertation: Uppsala University: Department
of Statistics.
98 Cuaderno técnico 4
El Centro Nacional de Evaluación para la Educación Superior es una asociación civil sin fines
de lucro constituida formalmente el 28 de abril de 1994, como consta en la escritura pública
número 87036 pasada ante la fe del notario 49 del Distrito Federal. Sus órganos de gobierno
son la Asamblea General, el Consejo Directivo y la Dirección General. Su máxima autoridad es
la Asamblea General, cuya integración se presenta a continuación, según el sector al que perte-
necen los asociados, así como los porcentajes que les corresponden en la toma de decisiones:
Asociaciones y colegios de profesionales (20%): Barra Mexicana Colegio de Abogados, A.C.; Colegio
Nacional de Actuarios, A.C.; Colegio Nacional de Psicólogos, A.C.; Federación de Colegios y
Asociaciones de Médicos Veterinarios y Zootecnistas de México, A.C.; Instituto Mexicano de
Contadores Públicos, A.C.
• Ceneval, A.C.®, EXANI-I®, EXANI-II® son marcas registradas ante la Secretaría de Co-
mercio y Fomento Industrial con el número 478968 del 29 de julio de 1994. EGEL®, con
el número 628837 del 1 de julio de 1999, y EXANI-III®, con el número 628839 del 1 de
julio de 1999.
• Inscrito en el Registro Nacional de Instituciones Científicas y Tecnológicas del Consejo
Nacional de Ciencia y Tecnología con el número 506 desde el 10 de marzo de 1995.
• Organismo Certificador acreditado por el Consejo de Normalización y Certificación de
Competencia Laboral (CONOCER) (1998).
• Miembro de la International Association for Educational Assessment.
• Miembro de la European Association of Institutional Research.
• Miembro del Consortium for North American Higher Education Collaboration.
• Miembro del Institutional Management for Higher Education de la OCDE.
La publicación de esta obra la realizó
el Centro Nacional de Evaluación
para la Educación Superior, A.C.
Se terminó de imprimir el 17 de abril de 2009
en los talleres de Winkilis, Bugambilias 131,
Col. El Rosario, México, D.F., C.P. 09930,
con un tiraje de 500 ejemplares