faouzi0612@gmail.com
Content
1
Introduction
Objetivo del SEM
Introduction
CFE, CFA & SEM
Both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) are
employed to understand shared variance of measured variables that is believed
to be attributable to a factor or latent construct.
Introduction
CFE, CFA & SEM
Both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) are
employed to understand shared variance of measured variables that is believed
to be attributable to a factor or latent construct.
CFA evaluates a priori hypotheses and is largely driven by theory. CFA analyses
require the researcher to hypothesize, in advance, the number of factors, whether
or not these factors are correlated, and which items/measures load onto and
reflect which factors.
Introduction
CFE, CFA & SEM
Both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) are
employed to understand shared variance of measured variables that is believed
to be attributable to a factor or latent construct.
CFA evaluates a priori hypotheses and is largely driven by theory. CFA analyses
require the researcher to hypothesize, in advance, the number of factors, whether
or not these factors are correlated, and which items/measures load onto and
reflect which factors.
EFA The goal of EFA is to identify factors based on data and to maximize the amount
of variance explained.
SEM: CFA is also frequently used as a first step to assess the proposed
measurement model in a structural equation model. Many of the rules of
interpretation regarding assessment of model fit and model modification in
structural equation modeling apply equally to CFA. CFA is distinguished from
structural equation modeling by the fact that in CFA, there are no directed arrows
between latent factors. In other words, while in CFA factors are not presumed to
directly cause one another, SEM often does specify particular factors and
variables to be causal in nature. In the context of SEM, the CFA is often called
the measurement model, while the relations between the latent variables (with
directed arrows) are called the structural model.
Tarik Faouzi | Structural Equation Modeling.
Paso 4
Paso 3
Paso 2
Estimacin del
modelo
Identificacin
del modelo
Formalizacin
del modelo
Paso 5
Paso 1
Interpretacin
del resultado
Construccin
de un modelo
Paso 6
Modificacin del modelo
es la intensidad de una
relacin causal (AFE: la carga
factorial).
es la variable latente o factores
comunes.
es la variable latente o el error.
es la correlacin entre dos
factores comunes.
x es la variable observada.
Modelo terico
Siguiendo las notaciones de Joreskog y Sorbom (1989), las variables observadas y las
variables latentes del ejemplo pueden expresarse:
x1 = 11 1 + 1
x2 = 21 1 + 2
x3 = 31 1 + 3
or
x= +
x4 = 42 2 + 4
x5 = 52 2 + 5
x6 = 62 2 + 6
donde x es un vector q*1 que contiene las q variables observadas, es un vector s*1
que contiene los s factores comunes, es una matriz q*s que contiene las cargas
factoriales de las variables latentes y es un vector q*1 de los errores.
Tarik Faouzi | Structural Equation Modeling.
Supuestos
E(x)=0
Estas condiciones no
E()=0
E()=0
Formalizacin de
(xx 0 ) = E(xx 0 )
= E[( + )( + )0 ]
= E[( + )(0 0 + 0 )]
= E(0 )0 + E( 0 ) + E(0 )0 + E( 0 )
Tarik Faouzi | Structural Equation Modeling.
Estimacin de
Si
E( 0 ) = E(0 )=0
= E(0 )
= E( 0 )
tenemos
= 0 + .
(1)
Identificabilidad
creacin del modelo teorico.
un modelo es identificado si existe una nica solucin para cada parmetro
estimado.
No identificabilidad si q2 (q + 1) p, donde q es el nmero de las variables
observadas y p es el nmero de los parmetros a estimar
(p qs + 2s (s + 1) + q2 (q + 1))).
identificabilidad (perfecta) si existe
sobreidentificabilidad si otro caso.
q
(q
2
+ 1) = p
Sugerencias Y Advertencias
Se recomienda una muestra mayor que igual a 200.
Si la muestra es pequea, se recomienda trabajar con ML y GLS bajo los
supuestos de la normalidad y la independencia.
Violacin de la independencia o normalidad ML y GLS funcionan mal.
En caso de violacin de estos supuestos que recomienda usar EDT.
Para datos ordinales se recomienda usar WLSVM.
Tarik Faouzi | Structural Equation Modeling.
10
11
12
Estadstico
Abreviatura Criterio
Ajuste absoluto
Chi cuadrado
Razn Chi-cuadrado/gl
ndice de bondad de ajuste
ndice de bondad de ajuste corregido
Raz del residuo cuadrtico medio
Raz cuadrada media del error de aproximacin
Ajuste comparativo
ndice de ajuste comparativo
ndice de Tucker-Lewis
ndice de ajuste normalizado
Ajuste parsimonioso
Corregido por parsimonia
2
2 /gl
GFI
AGFI
RMR
RMSEA
Signif >0.05
<3
.95
.95
0
<.05
CFI
TLI
NFI
.95
.95
.95
PNFI
Consecuencias
existen correlaciones superiores a 1.
o existen cargas factoriales estandarizadas fura del intervalo [-1,1].
o los residuos estandarizados anormalmente grandes o pequeos.
o Hay estimaciones negativas de las varianzas.
Tarik Faouzi | Structural Equation Modeling.
13
14
15
16
17
vc
Jor
.36
.19
.34
.46
.30
.40
.88
.75
.81
.92
.77
.72
18
Ejercicio 1
Demostrar que los modelos de medidas, propuestos abajo, tienen un buen bondad de ajuste.
Compruebe la uni-dimensionalidad de cada constucto (variable latente) con la validez
discriminante.
Descripcin
Mtodos predictivos con menor restrecciones.
Nacieron de la necesidad de dotar de mayor flexibilidad a los modelos de regresin.
para ms informaciones, volver al (Ruiz et. al., 2009).
Compuesto de sud-modelo de medicin (asociacin entre la variavle latente y sus
indicadores) y sub-modelo estructural (asociacin entre variables latentes).
Motivacin
Probar el ajuste de un modelo a los datos.
Realizar anlisis con datos continuos o categoricos.
Analizar modelos mixtos.
Modelizacin multinivel.
Anlisis de datos faltantes con Mxima de verosimilitud.
Meta-anlisis.
19
20
21
&
X = (Y ) + .
Donde
X es una variable observada independiente.
Y es una variable observada dependiente.
es la intensidad de una relacin causal entre varaible observada y variable latente.
es el error asociado a Y .
es el error asociado a X .
es la variable latente dependiente o endogena.
es la variable latente independiente o exogena.
es el error asociado a .
es el coeficiente entre variables latentes dependientes.
es el coeficiente entre variable latente independiente y otra independiente.
Identificacin
De la misma forma que en la primera parte del diapositivo, se
procede a verificar si el modelo es identificable.
22
disagree strongly
disagree
indifferent
agree
agree strongly
23
24
Pp
i=1
i xi + = X + .
(2)
(3)
= (k X ) (k 1 X )
(4)
25
26
Fwls = (S (p )W 1 (S (p))
sometimes, is very difficult to compute the matriz (p)
DWLS
Robust standard error (using a sandwish type approach)
scaled and shifted test statistic (new in Mplus 6)
27
La continuation de lapplication 1
El objetivo es medir el impacto de la investigacin sobre la docencia a travs un
modelo de regresin estructural.
Tambin, se requiere encontrar un ndice de impacto que mida lo mismo.
28
29
30
2 /gl
respuesta
CFDLI
RMSEA
CFI
TLI
VR 2
Modelo
Impacto(p43) ?
[?,?]
?
?
?
[?,?]
propuesto
2
2
Nota. VR : intervalo de la variacin de los valores del coeficiente de determinacin R ; CFDLI: Intervalo de
la contribucin factorial de los indicadores. Para ver valores de referencia, vase Tabla 1.
[ind1:] Jor =
Pq
Pi=1
q
2i
i
i=1
3
[ind2:] vc =
Pq
Pi=1
q
i )2
i=1
que representa...
vc
Jor