ecuaciones estructurales

Ecuaciones estructurales

Espinal Arango, Miguel Ormeño Diaz, Giovanna

UNIVERSIDAD NACIONAL FEDERICO VILLARREALFACULTAD DE PSICOLOGIA

Conocimientos previos• Observables• LatentesVariables

Matriz de covarianza

• Regresiones lineales múltiples.• Análisis de componentes

principales.• Análisis factorial.

Nociones algebraicas

Antes de investigar se necesita de un modelo para describir la realidad, este debe tener una hipótesis, bien definidas sus variables (conceptual y operacionalmente); en resumen una teoría; la cual debe poseer un soporte empírico y confirmatorio para lo cual se crean los modelos de ecuaciones estructurales (SEM)

Modelos de Ecuaciones Estructurales (SEM)

Conocidos como modelos de estructuras de covarianza, sirven para estimar series de ecuaciones simultaneas mediante regresiones múltiples. Sirve para estimar dentro de un mismo modelo el comportamiento y relación que se establece entre VD y sus respectivas VI.

A partir de la teoría se formulan

explicaciones causales sobre

variables latentes.

A partir de los datos se evalúa la

pertinencia o consistencia de las relaciones hipotetizadas.

SEM es una técnica

estadística multivariante del

tipo confirmatorio en

que

El SEM surge de la

confluencia de 3 líneas

de investigación

Econometría

PsicometríaBiometría

Se caracteriza por presentar 2 componentes básicos

Modelo estructural

• Sirve de guía.• Relaciona las variables

independientes con sus respectivas variables dependientes.

Modelo de medida

Permite al investigador usar diferentes variables (indicadores) para una única variable dependiente o independiente

Diagrama de estructura

Etapas del SEM

Especificación del modelo• Es la creación del modelo basado en la

teoría.

Identificación del modelo• Es el análisis de la correspondencia

entre los parámetros libres y las varianzas – covarianzas de las variables observadas

Estimación de los parámetros• En esta etapa se busca crear a través

de diversos métodos una matriz de covarianzas lo mas parecido posible a la matriz de covarianza obtenida con los datos muestrales.

• Estos métodos pueden ser: Máxima verosimilitud, mínimos cuadrados no ponderados, mínimos cuadrados generalizados.

Evaluación del modelo• Consiste en comprobar en que

grado coinciden las matrices teórica y empírica. Para lograr dicho objetivo se usa como medida de ajuste global el estadístico chi cuadrado (X2).

Re-especificación• En caso el ajuste no sea el

adecuado debe de reestructurarse el modelo.

El parámetro de no centralidad (NCP),

El índice de bondad de ajuste (GFI),

El índice de residuo cuadrático medio (RMSR),

El índice de error de aproximación cuadrático medio (RMSEA)

La bondad de ajuste posee distintos índices los cuales se clasifican en:

Índices de

ajuste absolut

o

Índice ajustado de bondad de ajuste (AGFI)

Índice de ajuste normal (NFI)

Índice Tucker-Lewis (TLI)

Índice de ajuste comparado (CFI)

Índices de ajuste

Incremental

Comparación de los tipos de análisis factorial

AFE• Se supone la existencia de

factores latentes, dadas las correlaciones entre las variables, pero las variables observadas están “a priori” afectadas por todos los factores comunes.

• A priori, todos los factores comunes pueden estar correlacionados, si se realizan rotaciones oblicuas o todos incorrelacionados, si se aplican soluciones ortogonales.

• Los factores específicos de las diferentes variables son independientes.

• Todos los factores comunes están incorrelacionados con los factores específicos

AFC

• El número de variables latentes es establecido de antemano por el investigador.

• Se especifican a priori las saturaciones de las variables observadas en los factores latentes, fijando algunas en 0, y/o manteniendo otras constantes.

• La covarianza o correlación entre las variables latentes es especificada en el modelo