1

MODELIZACIN DE ECUACIONES ESTRUCTURALES

Jaime Andrade G. Marielisa Coba Cisneros Carrera de Ingeniera Matemtica Escuela Politcnica Nacional

Resumen La Modelizacin de Ecuaciones Estructurales es una tcnica que contiene a un amplio rango de mtodos de anlisis multivariante estndar, incluyendo regresin, anlisis factorial y anlisis de varianza. Desde el punto de vista terico, en la Modelizacin de Ecuaciones Estructurales se estiman coeficientes desconocidos en un conjunto de ecuaciones estructurales lineales. Las variables que intervienen en el sistema de ecuaciones son: variables observadas directamente y variables llamadas latentes que no son observadas pero que se relacionan con las observadas. La Modelizacin de Ecuaciones Estructurales supone que existe una estructura causal entre un conjunto de variables latentes, y que las variables observadas son indicadores de las variables latentes. Las variables latentes pueden aparecer como combinaciones lineales de las variables observadas. Abstract Structural Equation Modeling is a technique that contains a wide range of methods of analysis standard multivariate, including regression, factor analysis and variance analysis. From the theoretical point of view, in Structural Equations Modeling, unknown coefficients are estimated in a group of lineal structural equations. The variables that intervene in the system of equations are: variables observed directly and variables denoted latents that are not observed but that are related with those observed. Structural Equation Modeling supposes that a causal structure exists among a group of latent variables, and that the observed variables are indicative of the latent variables. The latent variables can appear as lineal combinations of the observed variables.

1. ANLISIS DE SENDEROS El anlisis de senderos estudia los efectos directos e indirectos en un conjunto de variables observables. Los modelos de senderos intentan explicar por qu las variables observadas estn correlacionadas. Parte de esta explicacin puede suponer efectos causales. Los elementos que componen el anlisis de senderos son: el diagrama de senderos, el modelo de senderos, las ecuaciones estructurales y los coeficientes de Wright. El diagrama de senderos, es un grfico en donde se encuentran representadas las relaciones de causalidad que se supone existen en un conjunto de variables.

Se pueden distinguir tres tipos de variables: Endgenas (dependientes), que son x3 y x4. Exgenas (independientes), que son x1 y x2. Residuales, que son las variables xu y xv, que influyen a las variables endgenas del modelo y representan a los factores no observados. El conjunto de ecuaciones estructurales, que procede de un diagrama de senderos, se denomina modelo de senderos. Existen bsicamente dos tipos de modelos de senderos: recursivos y no recursivos. Los modelos recursivos tienen dos caractersticas bsicas: sus residuos (o perturbaciones) estn no correlacionados, y todos los efectos causales son unidireccionales. Los modelos no recursivos tienen lazos de retroalimentacin o pueden tener perturbaciones correlacionadas. En el anlisis de senderos, cualquier variable que sea dependiente de otra o de otras variables, en el diagrama de senderos, se la puede expresar como una funcin lineal de las variables independientes. De esta manera, considerando el diagrama de senderos del grfico anterior, se originan las siguientes ecuaciones estructurales: x3 = p31 x1 + p32 x2 + p3u xu x4 = p41 x1 + p42 x2 + p43 x3 + p4v xv donde, los parmetros pij se denominan coeficientes de Wright. En el anlisis de senderos, los parmetros de las ecuaciones estructurales reciben el nombre de coeficientes de Wright. Estos coeficientes de Wright son los que constituyen las incgnitas, y su valor se determina resolviendo el sistema de ecuaciones estructurales del modelo. Una vez que se identifican a los coeficientes de Wright, los valores obtenidos figuran en el diagrama de senderos. Los coeficientes de Wright se denotan por pij. El primer subndice i, representa la variable dependiente, y el segundo j, la variable independiente. Una vez establecido el sistema de ecuaciones del modelo recursivo, se realiza la determinacin numrica o identificacin de los parmetros o coeficientes de Wright pij de las ecuaciones, esta determinacin se hace en funcin de los coeficientes de correlacin, denotados como rij. Para identificar a los coeficientes de Wright, se debe realizar una transformacin matemtica de las ecuaciones originales, de tal manera que las variables de dichas ecuaciones estn expresadas en trminos de los coeficientes de correlacin correspondientes, mediante la siguiente expresin:

rij = piq r jq
q

donde, i y j son dos variables del sistema y q indica que se han de sumar todas las variables q, cuyos caminos conduzcan directamente a xi, siendo q<i.

De este modo se obtienen los sistemas de ecuaciones del modelo en trminos de rij y pij, con lo cual se procede a la resolucin de dichos sistemas. Se puede destacar, en el anlisis de senderos, el efecto total directo y el total indirecto. La correlacin de orden cero entre dos variables, se llama efecto total, e indica el efecto conjunto de una variable sobre otra variable dependiente de ella a travs de todos los posibles caminos, directos o indirectos. El coeficiente de Wright pij es el efecto total directo, y, la diferencia entre el coeficiente de correlacin cero rij y el coeficiente de Wright pij es el efecto total indirecto.

2. ANLISIS FACTORIAL El anlisis factorial es una tcnica utilizada para explicar un conjunto de variables observables mediante un nmero reducido de variables no observables llamadas factores. Bsicamente, el modelo factorial sigue el siguiente fundamento: se consideran variables que puedan agruparse por sus correlaciones; es decir, se supone que las variables estn dentro de un grupo particular, correlacionadas entre s, pero tienen pequeas correlaciones con variables en un grupo diferente. Se considera inicialmente un vector aleatorio observable X, con p componentes, media y matriz de covarianza . En el modelo del anlisis factorial, X es linealmente dependiente de las variables aleatorias no observadas F1, F2, ..., Fm, llamadas factores comunes, y de los p valores de variacin 1, 2, ..., p, llamados errores o factores especficos. Entonces, el modelo del anlisis factorial en notacin matricial es:

X ( px1)
donde l ij

+ L F ( pxm) ( mx1) ( px1)

es la carga de la i-sima variable del factor j-simo, por lo tanto, L es la matriz de

cargas factoriales. Adems, F y satisfacen las siguientes condiciones: F y son independientes E(F)=0, Cov (F)=I E()=0, Cov()=, donde es una matriz diagonal. Con estas suposiciones y el modelo antes descrito, se tiene el modelo factorial ortogonal. Mediante el anlisis factorial, se intenta conocer si el modelo factorial ortogonal, con un pequeo nmero de factores, representa adecuadamente a los datos. La matriz de covarianza muestral S es un estimador de la matriz de covarianza de la poblacin que es desconocida, pero, si los elementos de fuera de la diagonal de la matriz S son pequeos o si los elementos de la matriz de correlacin muestral R son cero, entonces las variables no estn relacionadas y el anlisis factorial no funcionara.

Cuando esto sucede, los factores especficos son primordiales en el anlisis, puesto que determinar la importancia de los factores comunes es un objetivo muy importante en el anlisis factorial. Dos de los mtodos de estimacin de parmetros ms usuales son: el mtodo de componentes principales, y el mtodo de mxima verosimilitud. Cuando las cargas iniciales, no pueden ser interpretadas, es preferible rotarlas hasta conseguir una estructura ms simple. Para lograr esta simplificacin, se realiza una transformacin ortogonal a las cargas iniciales, obtenindose las cargas factoriales, las cuales tienen la misma habilidad para reproducir la matriz de covarianza (o correlacin). Esta transformacin ortogonal de las cargas factoriales, as como tambin la transformacin ortogonal implcita de los factores, se llama rotacin factorial. Si L , es la matriz p x m de cargas factoriales estimadas, entonces:

L* = L T ,
es la matriz p x m de cargas rotadas. Al

donde TT = TT = I

realizar

la

rotacin
* *

factorial,

tanto

la

matriz

de

covarianza

estimada:
* *

L L+ = L TT L + = L L + , como la matriz residual, S n L L = S n L L no

cambian. Las puntuaciones factoriales son los valores estimados de los factores comunes, aunque generalmente en el anlisis factorial interesa conocer solamente los parmetros del modelo factorial, en algunas ocasiones es necesario conocer las puntuaciones factoriales, para usarlos como datos iniciales para un subsiguiente anlisis. Se estiman las puntuaciones factoriales a partir de valores para vectores factoriales aleatorios no

, que es la observados Fj, j = 1,2,,n. Es decir, las puntuaciones factoriales se las denota como f j
estimacin de los valores fj obtenidos de Fj (para el j-simo caso). Las puntuaciones factoriales para el j-simo caso, obtenidas mediante el mtodo de los mnimos cuadrados ponderados a partir de estimaciones de mxima verosimilitud:

= L 1 L f j

1 (x x ) L j

3. MODELOS DE ECUACIONES ESTRUCTURALES Los modelos de ecuaciones estructurales son, el resultado de la evolucin y unin de la metodologa desarrollada en el anlisis de senderos y en el anlisis factorial. La modelizacin de ecuaciones estructurales incorpora variables no observables directamente, llamadas variables latentes o constructos, que slo pueden ser medidas a travs de otras variables directamente observables.

Los modelos de ecuaciones estructurales estn formados por: los modelos estructurales, compuestos por el anlisis de senderos, y los modelos de medida, que son el anlisis de variables latentes o no observables. En el desarrollo de un modelo de ecuaciones estructurales es necesario que se lleve a cabo cuatro fases: la especificacin, la identificacin, la estimacin y la evaluacin e interpretacin de dicho modelo. 3.1 Especificacin del modelo general de ecuaciones estructurales Un modelo de ecuaciones estructurales se lo puede plantear de diferentes maneras: mediante un diagrama, matricialmente o escribiendo un sistema de ecuaciones simultneas. A continuacin se encuentra un grfico, en el que se describe un modelo causal hipottico de ecuaciones estructurales y sus componentes:

Cuyos componentes son: Variables latentes: endgenas 1, 2, 3, exgenas 1, 2, Variables observadas: endgenas Y1, Y2, Y3, Y4, Y5, Y6, exgenas X1, X2, X3, X4, X5, X6, Errores de medida: de variables observadas endgenas 1, 2, 3, 4, 5, 6, de variables observadas exgenas 1, 2, 3, 4, 5, 6, Coeficientes de correlacin: , , correlacionan a los errores de medida. Trminos de perturbacin: 1, 2, 3, los cuales incluyen los efectos de las variables omitidas, los errores de medida y la aleatoriedad del proceso especificado. La variacin en el trmino de perturbacin se denota por y la covariacin entre los trminos de perturbacin i-simo y j-simo se denota por ij.

Coeficientes de regresin: x, y, que relacionan las variables latentes con las observadas. Coeficientes de regresin: 11, 22 (representa la relacin entre una variable latente exgena y una endgena), 21, 22, 31 (relacionan las variables latentes endgenas entre s), y 21 (representa la covariacin entre las variables latentes exgenas). El modelo de ecuaciones estructurales, est compuesto por dos sub-modelos: estructural y de medida. Modelo estructural, cuya representacin en forma de ecuacin es:

= + +
donde: : vector m x 1 de variables latentes endgenas, : matriz m x m de coeficientes de las variables endgenas, : matriz m x k de coeficientes de las variables exgenas, : vector k x 1 de variables latentes exgenas, : vector m x 1 de trminos de perturbacin aleatoria. La representacin en forma de ecuacin para el modelo del grfico anterior es:

1 = 111 + 1 2 = 22 2 + 211 + 2 3 = 311 + 32 2 + 3

En forma matricial, el modelo estructural del grfico anterior es:

1 0 2 = 21 3 31

0 0

32

0 1 11 0 1 1 0 2 + 0 22 + 2 2 0 0 3 3 0

Modelo de medida, cuya representacin en forma de ecuacin es:

y = y +

x = x +
donde: : vector m x 1 de variables latentes endgenas, : vector k x 1 de variables latentes exgenas, x: matriz q x k de coeficientes de variables exgenas, y: matriz p x m de coeficientes de variables endgenas, : vector q x 1 de errores de medicin para los indicadores exgenos, : vector p x 1 de errores de medicin para los indicadores endgenos.

Las ecuaciones del modelo de medida del grfico anterior son: Modelo de medida de indicadores endgenos: Modelo de medida de indicadores exgenos:
y Y1 = 11 1 + 1 y Y2 = 21 1 + 2 y Y3 = 32 2 + 3 y Y4 = 42 2 + 4 y Y5 = 53 3 + 5 y Y6 = 63 3 + 6 x X 1 = 11 1 + 1 x X 2 = 21 1 + 2 x x X 3 = 31 1 + 32 2 + 3 x X 4 = 42 2 + 4 x X 5 = 52 2 + 5 x X 6 = 62 2 + 6

La forma matricial para el modelo de medida del grfico anterior es: Modelo de medida de indicadores endgenos: Modelo de medida de indicadores exgenos:
y Y1 11 y Y2 21 Y 0 3= Y4 0 Y 5 0 Y 0 6

0 0
y 32 y 42

0 0

0 1 0 2 1 0 3 2 + 0 4 y 3 53 5 y 63 6

x X 1 11 x X 2 21 X x 3 = 31 X4 0 X 5 0 X 0 6

0 1 0 2 x 3 32 1 + x 42 4 2 x 52 5 x 62 6

3.2 Identificacin de los modelos de ecuaciones estructurales Un modelo se dice que est identificado, si los parmetros del modelo completo (modelo estructural y modelo de medida, juntos) pueden estimarse a partir de los elementos de la matriz de covarianza de las variables observadas. La regla del conteo, se utiliza para identificar los modelos de ecuaciones estructurales. Se denotar al nmero total de variables con s = p + q, siendo p las variables endgenas y q las exgenas. Luego, el nmero de elementos no redundantes en es igual a s(s+1). Adems, se denota al nmero total de parmetros a ser estimados en el modelo como t, entonces, para realizar la identificacin del modelo se debe tener la siguiente condicin necesaria t s(s+1). Si se tiene la igualdad, se dice que el modelo est identificado. Si t es estrictamente menor que s(s+1), se dice que el modelo est sobre identificado. Si t es mayor que s(s+1), entonces el modelo no est identificado.

Cuando el modelo de ecuaciones estructurales es recursivo, est tambin identificado. 3.3 Estimacin de los modelos de ecuaciones estructurales Partiendo de que el modelo est identificado, el siguiente paso es realizar la estimacin del modelo de ecuaciones estructurales. Los modelos de ecuaciones estructurales pueden usar como datos iniciales la matriz de varianzascovarianzas o la matriz de correlaciones de las variables observadas.

Se consideran, las ecuaciones de los submodelos estructural y de medida que conforman un modelo de ecuaciones estructurales. Adems se debe considerar al vector de parmetros, denotado como : = (y, x, , , , , , ).

, que El objetivo es obtener las estimaciones del vector de parmetros , denotado como es la matriz de varianza-covarianza , donde = minimice la funcin de discrepancia F S , de las estimaciones del modelo llamada matriz de varianza-covarianza ajustada.

( )

( )

es un escalar que mide la discrepancia (distancia) entre la matriz de varianzaLa funcin F S ,

( )

. covarianza muestral S y la matriz de varianza-covarianza ajustada

Esta funcin de ajuste vendr dada por la siguiente expresin:

F = [S ( )]W 1 [S ( )]
donde: S: es la matriz de varianzas-covarianzas de la muestra, (): es la matriz de varianzas-covarianzas predichas por el modelo, W: es una matriz de ponderaciones que puede tomar diversas formas dependiendo de la distribucin que tengan las variables observadas. Si se asume que la distribucin muestral de dichas variables es normal multivariante, entonces la funcin de ajuste tomar la siguiente forma:

FNORMAL = 2 1 Traza[(S ( ))W2 ]

donde:

W2: es una matriz que puede tomar diversas formas en funcin del tipo de mtodo de estimacin que se escoja: W2 = -1: Mxima verosimilitud, W2 = S-1: Mnimos cuadrados generalizados, W2 = I: Mnimos cuadrados no ponderados. La funcin de discrepancia para los mtodos ms usuales son: Mxima verosimilitud: FMV = log ( ) + tr S 1 ( ) log S t . Mnimos cuadrados generalizados: FMCG =
2 1 tr I S 1 ( ) . 2

Mnimos cuadrados no ponderados: FMCNP = 3.4 Evaluacin e interpretacin del modelo

1 2 tr (S ( )) . 2

Una vez que el modelo ha sido identificado y estimado, el siguiente paso consistir en evaluar lo bien que nuestros datos se han ajustado al modelo propuesto. Existen tres alternativas para evaluar el modelo: evaluacin del ajuste del modelo global, evaluacin del ajuste del modelo de medida y evaluacin del ajuste del modelo estructural.

Ajuste del modelo global. Existir un ajuste perfecto cuando haya una correspondencia perfecta entre la matriz reproducida por el modelo y la matriz de observaciones. Existen tres tipos de medidas de ajuste global: medidas absolutas de ajuste, medidas incrementales de ajuste, y medidas de ajuste de parsimonia.

Las medidas absolutas de ajuste, determinan el grado en que el modelo globalmente (modelo de medida y modelo estructural) predice la matriz de datos inicial. Las principales medidas absolutas de ajuste empleadas son las siguientes: Estadstico ji-cuadrado, comprueba la significacin de la prueba: H0: S = , H1: S . Para no rechazar la hiptesis nula, el nivel de significacin debe ser superior a 0,05. Estadstico ji-cuadrado no centrado (NCP), es igual al estadstico ji-cuadrado corregido por los grados de libertad. Se consideran aceptables valores lo ms prximo posible a 0. Raz cuadrada del error medio cuadrtico (RMSEA), (Steiger, 1990) aqu la discrepancia entre ambas matrices est medida en trminos de la poblacin y no en trminos de la muestra. Valores inferiores a 0,08 son indicativos de un buen ajuste del modelo en la poblacin. ndice de bondad de ajuste (GFI), (Jreskog y Srbom, 1986) es un ndice de la variabilidad explicada por el modelo, oscilando sus valores entre 0 (pobre ajuste) y 1 (perfecto ajuste). Valores superiores a 0,90 indican un ajuste aceptable. ndice de bondad de ajuste relativo (RGFI), sirve para evaluar la bondad del ajuste del modelo, teniendo en cuenta el tamao muestral y el nmero de indicadores. En la prctica, se consideran adecuados los modelos que tienen un RGFI superior a 0,90.

Las medidas incrementales de ajuste, comparan el modelo propuesto con un modelo nulo o bsico que se toma de referencia y que, tradicionalmente, suele ser aquel que estipula una falta absoluta de asociacin entre las variables del modelo; se trata, por lo tanto, de comparar nuestro modelo con el peor modelo posible. Dentro de estos ndices incrementales se puede destacar los siguientes: ndice de Bondad de Ajuste Ajustado (AGFI), (Jreskog y Srbom, 1986) es el GFI ajustado por los grados de libertad del modelo propuesto y del modelo nulo. En la experiencia prctica se considera que valores superiores a 0,90 son indicativos de un buen ajuste del modelo a los datos. ndice de Bondad de Ajuste Ajustado Relativo (RAGFI), evala la bondad de ajuste del modelo. Para la aceptacin del modelo se recomienda valores superiores a 0,80. ndice de Ajuste Normado (NFI), (Bentler y Bonett, 1980) mide la reduccin proporcional en la funcin de ajuste cuando se pasa del modelo nulo al propuesto. El rango de variacin de este ndice est entre 0 y 1, siendo recomendables valores superiores a 0,90. ndice de Ajuste No Normado (NNFI) ndice de Tucker-Lewis (TLI), (Tucker y Lewis 1973) compara el ajuste por grado de libertad del modelo propuesto y nulo. Este ndice tiende a 1 para modelos con muy buen ajuste, considerndose aceptables valores superiores a 0,90. ndice de Ajuste Incremental (IFI), (Bollen 1988) si se tiene dos modelos con los mismos valores para la ji-cuadrado del modelo nulo y propuesto, el que tenga menos parmetros presentar un valor ms alto de IFI, siendo el ms adecuado. Se consideran aceptables valores prximos a 1. ndice de Ajuste Relativo (RFI), (Bollen 1986) este ndice proporciona valores prximos a 1 a medida que el modelo va alcanzando un buen ajuste. ndice de Ajuste Comparativo (CFI), (Bentler, 1990) indica un buen ajuste del modelo para valores prximos a 1.

10

Las medidas de ajuste de parsimonia, la parsimonia de un modelo es el grado en que alcanza ajuste para cada coeficiente o parmetros estimado. No se dispone de ninguna prueba estadstica asociada e estos ndices, por lo que su uso es ms adecuado comparando modelos alternativos. Dentro de estas medidas se pueden destacar las siguientes: ndice de Ajuste Normado Parsimonioso (PNFI), (James, Mulaik y Brett, 1982) es similar al NFI, pero teniendo en cuenta el nmero de grados de libertad usados para alcanzar el nivel de ajuste. Cuando se comparan modelos alternativos, diferencias en sus valores de este ndice entre 0,06 y 0,09 resultan importantes. ndice de Bondad de Ajuste Parsimonioso (PGFI), (Mulaik, 1989) consiste en el ajuste del GFI basado en la parsimonia del modelo estimado. Son preferibles valores altos de ste ndice. Criterio de Informacin de Akaike (AIC) (Akaike, 1974) sirve para comparar modelos que poseen diferente nmero de variables latentes. Valores pequeos de esta medida indican una alta parsimonia. (CAIC) (Bozdogan, 1987) es una transformacin del AIC teniendo las mismas implicaciones. N Crtico (CN), (Hoetler, 1983) sugiere el tamao que una muestra debe alcanzar en orden a aceptar el ajuste de un modelo dado sobre una base estadstica. Se recomienda valores de al menos 200 para este ndice.

Ajuste del modelo de medida. Para realizar el ajuste del modelo de medida, el paso inicial consiste en examinar la significacin estadstica de cada carga obtenida entre el indicador y la variable latente. Una vez comprobada la significacin de las cargas, el siguiente paso es comprobar la fiabilidad de cada uno de los indicadores as como la fiabilidad compuesta del constructo. La fiabilidad para cada indicador ser la proporcin de varianza que tiene en comn con el constructo. Se considera que un indicador debera tener al menos un 50% de su varianza en comn con la variable latente. Por lo tanto, el lmite que se considera aceptable para esta medida de la fiabilidad compuesta es de 0,50 (Sharma, 1996). Otra medida que normalmente se utiliza para evaluar el ajuste del modelo de medida es la varianza extrada. Indica la cantidad global de varianza en los indicadores explicada por la variable latente. Si este valor es alto (superior a 0,50), se considera que los indicadores miden adecuadamente dicha variable latente. Ajuste del modelo estructural. Lo primero a analizar en un modelo estructural es la significacin alcanzada por los coeficientes estimados. As, cualquier parmetro estimado debe ser estadsticamente diferente de cero, o lo que es igual, si consideramos un nivel de significacin de 0,05, el valor t ha de alcanzar 1,96. Un parmetro no significativo indicara que la relacin propuesta no tiene ningn efecto sustancial, por lo que debera ser eliminado y el modelo reformulado. La interpretacin del modelo se har con arreglo a la estructura terica en que se ha basado su especificacin y a los diversos coeficientes o parmetros estimados, analizando si se corresponden en magnitud y en sentido (positivo o negativo) con las propuestas planteadas por la teora. La magnitud de los coeficientes no est nicamente determinada por su significacin estadstica puesto que depende adems de otros factores como el tamao muestral y la varianza de las variables dependientes e independientes (cuanto mayor es la magnitud de la relacin y el tamao muestral y cuanto menor es la varianza de las variables dependientes e independientes, mayor es la probabilidad de obtener una relacin estadsticamente significativa).

11

Frecuentemente, el proceso de evaluacin del modelo desemboca en la modificacin del mismo, para lo cual el programa computacional que se utilice proporciona ayuda a travs de una serie de indicadores. Es importante sealar que nunca se deben hacer modificaciones de un modelo sin que se tenga una explicacin basada en la teora.

4. APLICACIN Para la aplicacin, se eligieron ocho variables: Nuevos Conocimientos, Carga Lectiva, Volumen Global de Trabajo, Inters, Infraestructura, Importancia, Matriculados, e ndice de Participacin. La recoleccin de datos, se realiz mediante un estudio de todos los alumnos del ciclo diversificado de la Unidad Educativa Santa Juana de Chantal de la ciudad de Otavalo, en la Provincia de Imbabura. Como se sabe, la modelizacin segn ecuaciones estructurales sigue una metodologa que pasa por las siguientes etapas: especificacin, identificacin, estimacin y evaluacin e interpretacin del modelo. Esta aplicacin se realiza con ayuda del programa AMOS 4.0 (versin estudiantil). Especificacin del modelo El diagrama de senderos del modelo de ecuaciones estructurales, en donde se encuentran las variables latentes incorporadas se muestra en el grfico siguiente. En el diagrama de senderos, el modelo planteado presenta tres variables latentes y ocho indicadores. NC es variable latente exgena y, RENDIMIENTO y AFLUENCIA son variables latentes endgenas. Los ocho indicadores corresponden a las ocho variables que sirven para medir las variables latentes consideradas. Por tanto se tiene, 7 variables observadas endgenas y 1 variable observada exgena. Se considera tambin los errores de medida: 7 de las variables observadas endgenas y 1 de la variable observada exgena. Por ltimo, se considera tambin 2 trminos de perturbacin de las variables latentes endgenas.

12

eps1

eps2

eps3

eps4

eps5

1
Carga Lectiva

1
Volumen Global de Trabajo

1
Inters

1
Infraestructura

1
Importancia

1
zeta1

RENDIMIENTO

AFLUENCIA

zeta2

1
Matriculados ndice de Participacin

NC
1
Nuevos Conocimientos

1
eps6

1
eps7

1
delta1

El siguiente paso es traducir el diagrama de senderos a ecuaciones estructurales, distinguiendo tanto el modelo de medida como el modelo estructural. Las ecuaciones estructurales para el modelo estructural del diagrama de senderos que se presenta en el grfico anterior son: RENDIMIENTO = 11 NC + 1 AFLUENCIA = 21 RENDIMIENTO + 2 En forma matricial, el modelo estructural del diagrama de senderos anterior es:

RENDIMIENTO 0 = AFLUENCIA 21

1 0 RENDIMIENTO 11 (NC) + + 0 AFLUENCIA 0 2

Las ecuaciones estructurales para el modelo de medida del diagrama de senderos que se presenta en el grfico son: Nuevos Conocimientos = 11x NC + 1 Carga Lectiva = 11y RENDIMIENTO + 1 Volumen Global de Trabajo = 21y RENDIMIENTO + 2 Inters = 31y RENDIMIENTO + 3 Infraestructura = 41y RENDIMIENTO + 4 Importancia = 51y RENDIMIENTO + 5 Matriculados = 62y AFLUENCIA + 6 ndice de Participacin = 72y AFLUENCIA + 7 La forma matricial para el modelo de medida del diagrama de senderos anterior es:

13

Modelo de medida de indicadores endgenos:

Carga Lectiva y 11 y Vol.Glob.Trabajo 21 y Inters 31 Infraestructura = y41 y Importancia 51 Matriculados 0 ndice Participacin 0
Modelo de medida de indicadores exgenos:

0 1 0 2 0 3 RENDIMIENTO 0 + 4 AFLUENCIA 0 5 6 y62 y 72 7

(Nuevos Conocimientos ) = (x11 )(NC) + (1 )

Adems, los parmetros del modelo son:

0 = 21

0 Matriz de coeficientes de las variables endgenas. 0

11 = 0 Matriz de coeficientes de las variables exgenas.

y 11 y 21 y 31 y = y41 y 51 0 0 0 0 0 0 Matriz de coeficientes de variables endgenas. 0 y62 y72

x = x 11 Matriz de coeficientes de variables exgenas.

Identificacin del modelo La siguiente fase es comprobar si la matriz de entrada permite obtener estimaciones nicas de los parmetros no conocidos. Utilizando la regla del conteo, se comprobar la condicin necesaria que viene dada por la siguiente expresin: t (p+q)(p+q+1) t = 1(x) + 7(y) + 1() + 1() + 1() + 7() + 2() = 20 (7+1)(7+1+1) = 72

( )

14

Como, 20 72, el modelo cumple la condicin necesaria para estar identificado. Se tiene adems, que el modelo a estudiarse es recursivo, esto es, cuando ninguna variable en el modelo tiene efecto sobre s mismo. Debido a que el modelo es recursivo, est tambin identificado. Estimacin del modelo El mtodo de estimacin a utilizar para estimar el modelo es el de mxima verosimilitud. La siguiente tabla contiene las estimaciones de los parmetros del modelo, el error estndar aproximado (S.E.) y la proporcin crtica (C.R.). La proporcin crtica (C.R.) es el cociente entre la estimacin del parmetro y la estimacin del error estndar. Si se renen las suposiciones de distribucin apropiadas, este estadstico tiene una distribucin normal estndar bajo la hiptesis nula de que el parmetro tiene un valor de cero. Por ejemplo, si una estimacin tiene una proporcin crtica mayor que dos (en valor absoluto), el parmetro es significativamente diferente de cero al nivel 0,05.

Estimaciones de Mxima Verosimilitud Parmetros del modelo: RENDIMIENTO AFLUENCIA ndice de Participacin Matriculados Importancia Infraestructura Inters Volumen Global de Trabajo Carga Lectiva Nuevos Conocimientos <-<-<-<-<-<-<-<-<-<-NC RENDIMIENTO AFLUENCIA AFLUENCIA RENDIMIENTO RENDIMIENTO RENDIMIENTO RENDIMIENTO RENDIMIENTO NC Estimacin 0,614 0,705 1,000 25,218 0,888 1,000 1,054 3,390 0,472 5,331 S.E. 0,056 0,054 0,505 0,041 0,029 0,084 0,012 0,430 C.R. 10,876 13,163 49,243 21,413 36,588 40,269 38,262 12,403

Como se puede ver en la tabla anterior, todos los valores de la proporcin crtica son mayores que dos, por lo tanto se rechaza la hiptesis nula, y por consiguiente, los parmetros estimados son significativos. El valor del parmetro estimado (11) 0,614, es el valor con el cual la variable latente exgena NC influye sobre la variable latente endgena RENDIMIENTO. Los modelos: de medida y estructural, son: Nuevos Conocimientos = 5,331 * NC. Carga Lectiva = 0,472 * RENDIMIENTO. Volumen Global de Trabajo = 3,390 * RENDIMIENTO. Inters = 1,054 * RENDIMIENTO. Infraestructura = 1,000 * RENDIMIENTO. Importancia = 0,888 * RENDIMIENTO. Matriculados = 25,218 * AFLUENCIA. ndice de Participacin = 1,000 * AFLUENCIA.

15

RENDIMIENTO = 0,614 * NC. AFLUENCIA = 0,705 * RENDIMIENTO. Como se aprecia en la tabla posterior, el mnimo valor de la funcin de discrepancia (FMIN) es 71,544. Tambin, se presenta el nmero de grados de libertad (DF) y el valor P para probar la hiptesis de que el modelo se ajusta a los datos. La siguiente tabla, presenta el resumen de los modelos con los datos antes descritos:

Resumen de los modelos: El modelo Modelo Saturado Modelo de Independencia FMIN DF 71,544 18 0,000 0 2131,790 18 P 0,000 0,000

Bentler / Bonett (1980) y Tucker / Lewis (1973) sugieren ajustar el modelo de independencia o algn otro modelo bsico o nulo, para ver qu tan grande puede llegar a ser la funcin de discrepancia. Como se puede observar en la tabla anterior, nuestro modelo (El modelo) tiene un valor de discrepancia de 71,544 que es un valor razonable comparado 2131,790 (el valor de la discrepancia para el modelo de independencia). El modelo de independencia es uno de los modelos ms utilizados que puede usarse como modelo bsico, y es el modelo que utiliza el programa AMOS. El modelo saturado, por el contrario, es el modelo que alcanza un ajuste perfecto. Evaluacin del modelo Una vez identificado y estimado el modelo, se procede a evaluarlo para determinar si los datos se ajustan al modelo propuesto, mediante un ajuste global del modelo, debido a que este ajuste evala el modelo estructural y el de medida juntos, sin que sea necesario realizar la evaluacin de dichos modelos por separado. Medida de Ajuste GFI Noncentrality parameter estimate NCP lmite inferior NCP lmite superior RMSEA RMSEA lmite inferior RMSEA lmite superior Valor P El modelo 0,975 35,544 21,936 56,603 0,108 0,087 0,132 0,000 Saturado Independencia Macro 1,000 0,494 GFI 0,000 1116,790 NCP 0,000 868,786 NCPLO 0,000 1272,133 NCPHI 0,389 RMSEA 0,375 RMSEALO 0,403 RMSEAHI 0,000 PCLOSE

En cuanto a los ndices absolutos de ajuste, el modelo propuesto, presenta de manera general un buen ajuste, ya que, se tiene valores de GFI, RMSEA y PCLOSE dentro de los lmites de aceptacin establecidos, que son: para GFI valores superiores a 0,90 (resultado 0,975), RMSEA inferiores a 0,08 (el resultado de RMSEA, evaluado al lmite superior del intervalo de confianza al 90%, 0,087, es el mejor valor obtenido en este ndice, pero los otros dos valores de 0,108 y 0,132 de RMSEA y RMSEA evaluado al lmite inferior del intervalo de confianza al

16

90%, respectivamente, no presentan un desvo muy significativo del lmite de aceptacin y PCLOSE que prueba que el RMSEA sea menor o igual a 0,05 tiene un valor de 0,000. Los valores resultantes del NCP no son cercanos a cero, lo que implicara que existen diferencias entre la matriz de observaciones y la matriz estimada, pero si se compara los valores del modelo propuesto con los valores del modelo de independencia, se puede ver que el NCP para nuestro modelo presenta valores bajos, lo que es un buen indicativo de ste ndice. Medida de Ajuste Adjusted GFI Normed fit index Relative fit index Incremental fit index Tucker-Lewis index Comparative fit index El modelo 0,913 0,966 0,916 0,969 0,923 0,969 Saturado Independencia 0,292 1,000 0,000 0,000 1,000 0,000 0,000 1,000 0,000 Macro AGFI NFI RFI IFI TLI CFI

La tabla anterior muestra los ndices incrementales de ajuste obtenidos. Se puede ver que todos los valores resultantes cumplen con los lmites de aceptacin. Valores superiores a 0,90 para el caso del AGFI, el NFI y el TLI, y valores prximos a la unidad para el caso del RFI, el IFI y el CFI. Lo que de manera general indica un muy buen ajuste del modelo. Medida de Ajuste Parsimony-adjusted NFI Parsimony-adjusted GFI Akaike information criterion (AIC) Consistent AIC Hoelter .05 index Hoelter .01 index El modelo 0,387 0,279 101,544 189,104 164,000 219,000 Saturado Independencia Macro 0,000 0,000 PNFI 0,353 PGFI 42,000 2143,790 AIC 164,584 2178,814 CAIC 11,000 HFIVE 14,000 HONE

Los ndices de ajuste de parsimonia ofrecen medidas del ajuste del modelo por coeficiente estimado. De manera general todos los valores resultantes obtenidos estn dentro de los lmites esperados. Interpretacin y modificacin del modelo El ltimo paso, una vez demostrada la adecuacin del modelo a los datos, consistir en interpretar dicho modelo de acuerdo con la literatura al respecto en que se ha basado su especificacin. Antes de realizar la interpretacin se ha de comprobar que el modelo no tiene capacidad de mejora, pues en caso contrario habr que plantear las modificaciones oportunas. Debido a que todos los ndices de bondad de ajuste anteriormente evaluados presentaban valores muy buenos, las posibilidades de modificacin del modelo son escasas.

17

Bibliografa [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] C. Balbuena, J. Casas, Aplicacin del anlisis factorial a la valoracin por parte de los estudiantes de las asignaturas de la ETSICCP de Barcelona en sus distintas titulaciones, http://www-ma3.upc.es/users/ balbuena/CiudadReal.pdf M. Casas, Los modelos de ecuaciones estructurales y su aplicacin en el ndice europeo de satisfaccin al cliente, http://www.uned.es/asepuma 2002/c29r.htm J. Fox, Structural Equation Models, http://cran.r-project.org/doc/contrib/Fox-Companion/a ppendix-sems.pdf R. Gardner, Estadstica para Psicologa Usando SPSS para Windows, Prentice Hall, Mxico, 2003, pp. 237-259. W. Hrdle y L. Simar, Applied Multivariate Statistical Analysis, http://www.xplorestat.de/ebooks/ebooks.htm R. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, EE.UU., 2001, pp. 515-558. D. Kaplan, Structural Equation Modeling: Fundations and Extensions, Sage Publications, California, EE.UU., 2000, pp. 18-75. D. Kenny, Structural Equation Modeling, http://users.rcn.com/dakenny/ causalm.htm R. Kline, Principles and Practice of Structural Equation Modeling, The Guilford Press, New York, 2005, pp. 93-219. J. Loehlin, Latent Variable Models, Lawrence Erlbaum Associates, New Jersey, 2004, pp. 8-28. T. Luque, Tcnicas de Anlisis de Datos en Investigacin de Mercados, Ediciones Pirmide, Madrid, 2000, pp. 489-525. R. Sierra, Ciencias Sociales: Anlisis Estadstico y Modelos Matemticos, Paraninfo S.A., Madrid, Espaa, 1981, pp. 285-297.