Ecuaciones estructurales
-
Upload
giovanna-ormeno-diaz -
Category
Education
-
view
294 -
download
2
Transcript of 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