Modelos de Ecuaciones

Estructurales
Presentador:
Kesber Angulo Sánchez

t
Requisitos previos

Haber hecho algún ejercicio básico academico sobre:

1. Estadística Inferencial => Pruebas de hipótesis

2. Análisis de regresión múltiple
3. Análisis factorial exploratorio
Agenda

• Instrumentos de medición – Cuestionarios

• Covarianza y Correlación
• Causalidad
• Tipos de relaciones
• Métodos estadísticos multivariados
• Modelos de ecuaciones estructurales
• Casos de estudio
Instrumentos de medición

• Medición: es la acción para obtener un valor numérico a

través de la observación

• Instrumentos de medición: Un instrumento de medición, es

aquel, artefacto, aparato, objeto herramienta o estrategia con
la cual se puedan recoger datos de las variables que nos
interesa comparar o contrastar.
Instrumentos de medición: Cuestionario

• Dentro de  la técnica llamada Encuesta, el mejor instrumento de

medición es el cuestionario

• Cuestionario: es un conjunto de preguntas de una sola idea a la vez,

redactadas en lenguaje convencional, no inducidas y ordenadas
lógicamente.
Instrumento de medición: Cuestionario
Covarianza

• La covarianza es un valor que indica el grado de variación conjunta

de dos variables aleatorias respecto a sus medias.

• Es el dato básico para determinar si existe una dependencia entre

ambas variables y además es el dato necesario para estimar otros
parámetros básicos, como el coeficiente de correlación lineal o la 
recta de regresión.
 Correlación
• la correlación indica la fuerza y la
dirección de una relación lineal entre dos
variables estadísticas.

• Se considera que dos variables cuantitativas

están correlacionadas cuando los valores de
una de ellas varían sistemáticamente con
respecto a los valores de la otra.

• Pearson propone un índice para medir la

asociación lineal entre dos variables
cuantitativas: Coeficiente de correlación
lineal de Pearson.
 Causalidad

• La causalidad es la "relación que se establece entre causa y efecto.

• Se dice que algo (X) es causa de un efecto (Y) cuando el último depende
del primero; o, en otras palabras, la causa es aquello que hace que el
efecto sea lo que es. Esto se puede dar de muchos modos diversos y, por
ello, no es extraño que a un efecto correspondan multitud de causas.

• Se concibe la sencilla idea unánime que el efecto de la causalidad es de

tipo lineal
Algunos ejemplos de hipótesis causales de Investigación

• A mayor estrés menor rendimiento académico

• A menor estrés mayor desempeño organizacional
• A mayor autoestima mayor liderazgo
 Tipos de relaciones entre las variables
Covariación
Pero covariación no implica causalidad.
Inteligencia Rendimiento escolar

covariación

Número de fumadores Cantidad de humo

causalidad
 Tipos de relaciones entre las variables
Relación espurea • En niños cantidad de conocimientos y estatura ,
la variable edad sería la que hace que exista la
covariación, la relación entre las dos primeras
variables es espurea.
• Tanto la relación causal como la de
covariación implica a dos variables
• La relación espurea necesita de al Conocimientos
menos tres variables
• En la relación espurea se da
Edad
covariación entre dos variables,
pero debida total o parcialmente a
estatura
la relación de esas dos variables
con al menos una tercera.
 Tipos de relaciones entre las variables
Relación causal indirecta
• Una relación causal indirecta implica la presencia de al menos tres
variables
• El efecto pasa de la primera a la segunda variable a través de una
tercera
• La relación entre inteligencia y rendimiento puede estar mediada por la variable
esfuerzo, medida como horas de estudio

inteligencia esfuerzo rendimiento

 Tipos de relaciones entre las variables
Relación causal directa e indirecta
• El efecto indirecto entre las variables Inteligencia y Rendimiento
puede ser potenciado (o atenuado) por la variable esfuerzo

Esfuerzo
•… inteligencia

Rendimiento

• Será el investigador el que decide el tipo de relaciones que su teoría

es capaz de explicar
Métodos estadísticos multivariados
• Clasificación por el tipo de relación que se analiza:

• Métodos que estudian la interdependencia

• Métodos que estudian la dependencia

• Modelos estructurales
Métodos estadísticos multivariados que estudian
la interdependencia

• Análisis Factorial
• Análisis Cluster (Grupos)
• Escalamiento Multidimensional (Métrico, no métrico)
• Análisis de Correspondencias (No métrico)

16
Métodos estadísticos multivariados que estudian
la dependencia

• Correlación Canónica
• Análisis de Varianza
• Análisis Multivariante de la Varianza
• Análisis Discriminante
• Análisis de Regresión
• Análisis Conjunto
• Modelos de Ecuaciones Estructurales

17
MODELO ESTADÍSTICO LINEAL SIMPLE

Y = β0 + β1X + ε

Observación

Parte fija Parte aleatoria

(determinista) (error)
MODELO ESTADÍSTICO LINEAL SIMPLE

Características del Modelo Lineal:

• Sean Y una variable respuesta o dependiente,
• x una variable explicativa o independiente, ambas variables
observables.

• β0 y β1 dos parámetros desconocidos donde β0 es el punto donde

la recta intercepta al eje de las y β1es la pendiente de la recta.

• ε el error es una variable aleatoria.

MODELO ESTADÍSTICO LINEAL SIMPLE

Regresión Lineal Simple

𝜀
𝑌 = 𝛽0 + 𝛽 1 𝑋 1 +𝜀
Y 𝑋1

20
MODELO ESTADÍSTICO LINEAL MÚLTIPLE

Regresión Lineal Múltiple

𝜀 𝑋1
𝑋2
𝑌 = 𝛽0 + 𝛽 1 𝑋 1 + 𝛽 2 𝑋 2 +…+ 𝛽𝑘 𝑋 𝑘 + 𝜀 Y .
.
.

𝑋2

21
Significancia

Si en el modelo de regresión lineal la pendiente es cero,

entonces la variable X no tiene ningún efecto sobre la
variable Y. En este caso diremos que X no es una variable
explicativa del modelo.
Significancia
Se establece las hipótesis nula y alternativa y se contrasta:

• Hipótesis nula: H0: b1 = 0, es decir, la variable X no es explicativa.

• Hipótesis alternativa: H1: b1 ≠ 0, es decir, la variable X es

explicativa.

No rechazar la hipótesis nula significa que no se puede considerar el parámetro

b1 significativamente diferente de cero. Es decir, la variable X no tiene influencia
sobre la variable Y y, por tanto, no existe una relación lineal entre las dos variables.
Análisis Factorial Exploratorio

𝑋 𝑗 =𝜇 𝑗 + 𝜆1 𝑗 𝐹 1+ 𝜆2 𝑗 𝐹 2+ …+ 𝜆𝑝𝑗 𝐹 𝑝 +𝜓 𝑗

𝐹1 𝐹2 … 𝐹𝑝

𝑋1 𝑋2 𝑋3 ... 𝑋 𝑘− 1 𝑋𝑘
𝜓1 𝜓2 𝜓3 𝜓 𝑘− 1 𝜓𝑘
24
Modelos de Ecuaciones
Estructurales
Modelos de Ecuaciones Estructurales

Los Modelos de Ecuaciones Estructurales son

una de las técnicas que sirven para estudiar las
relaciones causales cuando estas relaciones son de
tipo lineal. Estos Modelos nunca prueban la
causalidad, sino que ayudan a seleccionar
entre las hipótesis causales relevantes,
rechazando aquellas no soportadas por la
evidencia empírica.
Modelamiento de las relaciones de
dependencia

• Permite examinar simultáneamente una serie de relaciones de

dependencia.

• Es particularmente útil cuando una variable dependiente se

convierte en una variable independiente en ulteriores
relaciones de dependencia.
Razones de su atractivo
1. Proporciona un método directo de tratar con múltiples
relaciones simultáneamente a la vez que se da eficacia
estadística

2. Su capacidad de evaluar las relaciones exhaustivamente y

proporcionar una transición desde el análisis exploratorio al
confirmatorio.
Modelo de ecuaciones estructurales (SEM)

Objetivo
• Su objetivo último es determinar mediante pruebas
cuantitativas, en qué medida los datos de la muestra
apoyan un modelo teórico de múltiples relaciones de
dependencia entre variables propuesto a contraste por
el investigador.
Incorporación de variables que no se miden
directamente

• Los SEM también tiene la habilidad de incorporar variables

latentes al análisis.
• Una variable latente es un concepto supuesto y no
observado que solo puede ser aproximado mediante
variables medibles u observables.
• Variables observables = variables manifiestas
¿Cuáles elementos podemos identificar en un
Modelo de Ecuaciones Estructurales para
abordar las diferentes casuísticas de
estudio?
 .
En los Modelos de Ecuaciones Estructurales es posible identificar los
siguientes elementos:
Variable Variable
Variable exógena Variable latente Error
endógena observada
• Afectan a otra • Recibe el efecto • Son aquellas que • Característica • Asociados a la
variable y no de otra variable se miden a los que desearía medición
recibe efecto de • La variable sujetos medir pero no se • Conjunto de
otra variable. dependiente de (cuestionarios) puede observar variables que no
• Las variables un modelo de fueron incluidas
independientes regresión es en el modelo y
de un modelo de endógena pueden afectar la
regresión son • Toda variable variable
exógenas endógena esta observada
sujeta a error • La proporción
de la varianza no
explicada
33
34
Ejemplo 1
Ejemplo 2
Diagrama de senderos
• El Path diagram, es un dibujo
mediante el cual se representan
gráficamente las relaciones de
causalidad que se supone
existen en un conjunto de
variables
 Diagrama de senderos
• En el diagrama hay tres tipos de variables: endógenas,
exógenas y residuales.
• Las endógenas, son las variables X3 y X4 que dependen
o figuran en el modelo influidas por otras variables en el
mismo.
• Exógenas son X1 y X2 que son externas en cierta forma,
en cuanto a que no dependen de otra de las que lo
forman
• Residuales son Xu y Xv que representan a los factores
no observados, implícitos, que es posible influyan en
cada una de las variables del modelo.

39
 Diagrama de senderos
En el diagrama de senderos, X3 y X4 se
pueden expresar como funciones de las
variables:

X1, X2, Xu y X1, X2, X3 y Xv

respectivamente,

Dando lugar a las siguientes ecuaciones:

Estas ecuaciones tratadas
X3= P31X1+ P32X2 + P3uXu Matemáticamente, se
X4= P41X1 + P42 X2 + P43 X3 + P4v Xv Convierten en las
Ecuaciones Estructurales

40
Pasos en la modelización de ecuaciones
estructurales
1. Desarrollo de un modelo basado en teoría
2. Construcción de un diagrama de secuencias de relaciones causales
3. Conversión de un diagrama de secuencias en un conjunto de
ecuaciones estructurales y especificación del modelo de medida
4. Selección del método de estimación
5. Validación estadística de las relaciones
6. Evaluación de los criterios de calidad de ajuste
7. Interpretación y modificación del modelo
Modelado en dos pasos
• Por ello, se sigue lo que se denomina modelado en dos pasos.

1. El primer paso consiste en buscar un Modelo de Medida

aceptable, y una vez encontrado,
2. El segundo paso es abordar la evaluación del Modelo
estructural.
1. Uso como técnica estrictamente
confirmatoria

• Se diseña el modelo y se estudia la bondad del ajuste pare determinar

si las varianzas y covarianzas de los datos son consistentes con el
modelo diseñado.

• Sin perder de vista que pueden existir otros modelos diferentes al

propuesto que también se ajustan a los datos disponibles.
Formulación del modelo

46
Análisis Factorial Confirmatorio

𝐹1 𝐹2

𝑋1 𝑋2 𝑋3 𝑋4 𝑋5 𝑋6
𝜓1 𝜓2 𝜓3 𝜓4 𝜓5 𝜓6

47
2. Elección entre modelos alternativos

• Se estudian los índices de ajuste de varios modelos diseñados y se

elige el que presente mejores resultados.
• Actualmente se dispone de múltiples índices de ajuste y es un campo
que no para de desarrollarse.
• Aunque es deseable en principio, en la realidad no suele ser fácil
disponer de varios modelos alternativos.
Formulación del modelo

49
Ecuaciones Estructurales

50
Pruebas de suficiencia

• ¿Las correlaciones entre las variables son significativas?

• 0.43 es diferente de cero.
• Probando el modelo con la prueba Chi-cuadrado.

H 0 : Correcto
H a : Incorrecto

• ¿Cómo funcionan los grados de libertad?

• Cada restricción en el modelo agrega un grado de libertad a
la prueba Chi-cuadrado
• Fácil de calcular en los modelos de regresión.
• Df = Número de Información – Número de Parámetros
estimados.
 Medidas de Ajuste

• Chi2/df.
• Wheaton (1977). Chi2 / df <= 5 es un ajuste aceptable.
• Carmines. Chi2 / df <= 3 es un ajuste aceptable.
• Byrne (1989): “es evidente que un ratio > 2.00 representa un ajuste inadecuado.”

• Error de aproximación Raíz Media Cuadrado (RMSEA).

• Pclose es la probabilidad de que el modelo está casi correcto. < 0.1

• NFI – Índice de ajuste normado.

• Fue el criterio práctico de elección por muchos años
• CFI, Índice de Ajuste Comparativo
• Ambos van de 0 a 1
• El valor de >.9 fue originalmente propuesto como un modelo de buen ajuste.
• El valor revisado de >.95.
 Medidas de Ajuste

• RFI – Índice de ajuste relativo

• Derivativo de NFI.
• Rango de valores de 0 a 1, con valores cerca a 0.95.

• IFI – Índice incremental de ajuste.

• Problemas de parsimonia y tamaño de muestra con NFI lo llevaron a Bollen (1989) a desarrollar
esta medida.
• El mismo cálculo que NFI, pero tomando en cuenta los grados de libertad.
• De nuevo los valores van de 0 a 1, con aquellos cercanos a 0.95 indicando modelos de buen ajuste.

• GFI – Índice de la bondad de ajuste

• Los valores van de 0 a 1, con 1 siendo el modelo perfecto de ajuste. La regla de thumb es >.8 o >.9
 Medidas de Ajuste

• AGFI – Índice corregido de la bondad de ajuste.

• Corrección de GFI para incluir grados de libertad.
• Valore interpretados como GFI.

• PGFI – Índice de la bondad de ajuste de parsimonia.

• Toma en cuenta la complejidad.
• Típicamente los índices de ajuste de parsimonia tienen bajos umbrales, de modo que los valores en los .50 no
son raros, y pueden acompañar a otros índices en los .90.
• AIC – Criterios de información de Akaike y CAIC – Criterios consistentes de información de
Akaike.
• Ambos enfrentan el problema de la parsimonia.
• Usado en la comparación de 2 o más modelos, con valores más pequeños representando un mejor ajuste del
modelo.
 Medidas de Ajuste

• BIC (Criterio de información de Bayes) y BCC (Criterio de Browne-Cudeck)

• Operan del mismo modo que AIC y CAIC, pero imponen mayores penalidades para complejidad
de modelo.
• El N crítico de Hoelter:
• La última bondad de estadística de ajuste apareciendo en el output de Amos.
• De hecho dos valores para niveles de significancia de .05 y .01
• Difiere sustancialmente de aquellos previamente mencionados.
• Se enfoca directamente en el tamaño de muestra, en vez del modelo de ajuste.
• Su propósito es estimar un tamaño de muestra que sería suficiente para producir un modelo
adecuado de ajuste para una prueba χ2
• Hoelter propuso que un valor > 200 es indicativo de un modelo que representa adecuadamente la
data de muestra.
Resumen: Medidas de Ajuste

56
Caso de estudio

Influencia del ESTRES LABORAL

teniendo como moderador al
COMPROMISO en el DESEMPEÑO

Estrés Laboral Compromiso Desempeño

57
Dimensiones de las variables latentes
Estrés Laboral
  Clima organizacional
  Estructura organizacional
  Territorio organizacional
  Tecnología
  Influencia del líder Escala de compromiso afectivo (Meyer y Allen)
  Falta de cohesión Estaría muy feliz de pasar el resto de mi carrera
  Respaldo del grupo con esta organización.
Me gusta hablar de mi organización con gente
de fuera de ella.
Realmente siento como propios los problemas
de esta organización.
Creo que fácilmente podría llegar a ser tan
Desempeño
unido a otra organización como lo soy a esta.
Comportamientos formales del puesto
No me siento como "parte de la familia" en mi
Comportamientos en pro de ayudar a otra
organización.
persona
No me siento vinculado emocionalmente a esta
Comportamientos que benefician directamente
organización.
a la organización
Esta organización cuenta con un gran significado
personal para mí.
No siento un fuerte sentido de pertenencia
hacia mi organización.
58
Ejemplo

• Regresión simple:
• Y: Salario actual
• X: Años de estudios
Ejemplo 2

• Regresión múltiple:
• Y: Salario actual
• X1: Años de estudios
• X2: Edad
• X3: Meses desde el contrato
• X4: Meses de experiencia previa
• X5: Salario inicial