Historia de Lisrel Mayora de los cursos primero y segundo, incluso, en la estadstica aplicada rara vez van ms all de lo ordinario

anlisis de mnimos cuadrados de los datos de los experimentos controlados, las comparaciones de grupo, o estudios simples de prediccin. Colectivamente, estos procedimientos constituyen el anlisis de regresin, y las funciones lineales matemticos de los que dependen son referidos como modelos de regresin. Este mtodo bsico de anlisis de datos es muy adecuado para ajuste de curvas problemas en la ciencia fsica, donde debe haber una relacin emprica entre una variable dependiente observada y una variable independiente manipulada estimado. Tambin sirve as los efectos de la investigacin biolgica en la que los organismos son asignados aleatoriamente a las condiciones de tratamiento y las diferencias en las respuestas medias entre los grupos de tratamiento se estima. Una caracterstica esencial de estas aplicaciones es que slo la variable dependiente o la respuesta observada se supone que es sujeto a un error de medicin o la variacin incontrolada otro. Es decir, slo hay una variable aleatoria en la imagen. La variable independiente o nivel de tratamiento se supone que ser fijada por el experimentador en conocidos valores predeterminados. La nica excepcin a esta formulacin es el problema de la prediccin emprica. Para ello, el investigador observa ciertos valores de una o ms variables predictoras y desea estimar la media y la varianza de la distribucin de una variable de criterio entre los encuestados con valores dados de los predictores. Debido a que la prediccin es condicional en estos valores conocidos, que se puede considerar cantidades fijas en el modelo de regresin. Un ejemplo es la prediccin de la altura a la que un nio va a alcanzar en la madurez de su altura actual y las alturas conocidas de los padres. A pesar de todas las alturas se miden sujeto a error, slo la altura del nio en la madurez se considera una variable aleatoria. Donde los mtodos ordinarios de regresin ya no son suficientes, y de hecho resultados engaosos, es puramente en estudios observacionales en los que todas las variables estn sujetas a error de medicin o la variacin no controlada y el propsito de la investigacin es para estimar las relaciones que representan la variacin entre las variables en cuestin . Este es el problema fundamental del anlisis de datos en los campos en que la experimentacin es la prediccin emprica imposible o poco prctico y simple no es el objetivo del estudio. Es tpico de casi toda la investigacin en campos como la sociologa, la economa, la ecologa, e incluso reas de la ciencia fsica tal como la geologa y la meteorologa. En estos campos, el problema fundamental del anlisis de los datos es la estimacin de las relaciones estructurales entre las variables cuantitativas observadas. Cuando el modelo matemtico que representa esta relacin es lineal hablamos de una relacin estructural lineal. Los diversos aspectos de la formulacin, montaje y prueba de este tipo de relaciones que denominamos modelos de ecuaciones estructurales. A pesar de modelos de ecuaciones estructurales se ha convertido en una forma importante de anlisis de datos slo en los ltimos veinte aos (gracias en parte a la disponibilidad del programa LISREL), el concepto fue introducido por primera vez hace casi ochenta aos por el bilogo poblacin, Sewell Wright, en el Universidad de Chicago. Mostr que las relaciones lineales entre las variables observadas podran ser representados en forma de diagramas de ruta llamados y coeficientes asociados camino. Trazando caminos causales y de asociacin en el diagrama de acuerdo con reglas simples, que fue capaz de anotar inmediatamente la relacin lineal entre las variables estructurales. Wright aplicado esta tcnica al principio para calcular la correlacin esperada entre las caractersticas observadas de las personas relacionadas en el supuesto de herencia mendeliana. Ms tarde, se aplic a los tipos ms generales de las relaciones entre las personas. La forma moderna de anlisis estructural lineal incluye una formulacin algebraica del modelo,

adems de la representacin en diagrama de ruta. Las dos formas son equivalentes y la aplicacin del anlisis en el programa LISREL permite al usuario enviar el modelo al ordenador, ya sea en la representacin. La trayectoria de aproximacin analtica es excelente cuando el nmero de variables que intervienen en la relacin es moderado, pero el diagrama se vuelve muy complicada cuando el nmero de variables es grande. En ese caso, la escritura de las relaciones simblicamente es ms conveniente. El manual Simplis presenta ejemplos de ambas representaciones y pone de manifiesto la correspondencia entre los caminos y las ecuaciones estructurales. Tenga en cuenta que en los campos antes mencionados en los que la experimentacin es casi nunca es posible, la psicologa y la educacin no aparecen. Los experimentos controlados tanto con animales y humanos han sido un pilar de la investigacin psicolgica durante ms de un siglo, y en la dcada de 1920 las evaluaciones experimentales de los mtodos de enseanza comenzaron a aparecer en la educacin. Como la investigacin emprica desarrollado en estos campos, sin embargo, un nuevo tipo de datos problema analtico se hizo evidente que no se encontr en otros campos. En psicologa, la dificultad era, y sigue siendo, que en su mayor parte no hay variables dependientes bien definidos. Las variables de inters varan mucho de un rea de investigacin psicolgica a otro y muchas veces entrar y salir de favor dentro de las reas en perodos relativamente cortos de tiempo. La psicologa ha sido descrito como la ciencia de la conducta o la ciencia del procesamiento humano de la informacin. Sin embargo, las variedades de comportamiento y manejo de la informacin son tan multiforme que hay progreso en la investigacin puede hacerse hasta que los investigadores identificar las variables a ser estudiadas y el mtodo de la observacin de ellos. Cuando se ha avanzado en la definicin de un dominio coherente de observacin, ha sido a travs de la mediacin de una variable latente constructo algunos putativo que es modificada por estmulos procedentes de diversas fuentes y a su vez controla o influye en varios aspectos observables de la conducta. El ejemplo arquetpico de este tipo de variable latente es el constructo de inteligencia general introducida por Charles Spearman para explicar la correlacin positiva observada entre el desempeo exitoso en muchos tipos de tareas de resolucin de problemas. Investigacin de mtodos matemticos y estadsticos requeridos en la validacin de constructos y midiendo su influencia condujo al desarrollo del procedimiento analtico de datos llamado factor de anlisis. Su forma moderna se debe en gran parte a la labor de Truman y LLThurstone Kelly, quien transform un factor Spearman anlisis en un totalmente general mltiples factores de anlisis. Ms recientemente, Karl Jreskog aadi anlisis factorial confirmatorio a la forma anterior de anlisis exploratorio. Las dos formas tienen diferentes objetivos. El anlisis factorial exploratorio es un procedimiento de descubrimiento autntico: le permite a uno ver las relaciones entre las variables que no son del todo evidente en los datos originales, o incluso en las correlaciones entre las variables. El anlisis factorial confirmatorio permite a uno para poner a prueba si las relaciones esperadas sobre bases tericas que aparecen actualmente en los datos. Derrick Lawley y Jreskog Karl proporcionado un procedimiento estadstico, basado en la estimacin de mxima verosimilitud, para modelos de factores de ajuste a los datos de prueba y el nmero de factores que pueden ser detectados y estimado de forma fiable en los datos. Problemas similares de variables que definen aparecer en la investigacin educativa, incluso en los estudios experimentales de los mtodos alternativos de enseanza. Los objetivos de la educacin son amplios y los resultados de la instruccin son proporcionalmente muchos: una innovacin en la prctica docente puede conducir a un aumento en algunos de los resultados medidos y la prdida de otros. El investigador puede medir un gran dichos resultados muchos, pero a menos que todos sean favorables o desfavorables, todos los resultados se vuelven demasiado complejos para discutir o proporcionar alguna gua para la poltica educativa. Una vez ms, el anlisis factorial es una gran ayuda en la identificacin de las principales dimensiones de variacin entre los resultados y sugerir las construcciones parsimoniosos para su discusin.

En el modelo LISREL, la relacin lineal estructural y la estructura de factores se combinan en un modelo integral aplicable a los estudios observacionales en muchos campos. El modelo permite mltiples constructos latentes indicados por las variables observables explicativo (o exgena), relaciones recursivas y no recursiva entre los constructos y constructos latentes mltiples indicado por las respuestas observables (o endgena) variables. Las conexiones entre los constructos latentes componer el modelo de ecuacin estructural, las relaciones entre los constructos latentes y sus indicadores observables o resultados componer los modelos factoriales. Todas las partes del modelo integral puede ser representado en el diagrama de ruta y todas las cargas factoriales y las relaciones estructurales aparecen como coeficientes de la ruta. Anidado dentro del modelo general son modelos ms simples que el usuario del programa LISREL puede elegir como casos especiales. Si algunas de las variables que intervienen en las relaciones estructurales se observan directamente, en lugar de lo indicado, parte o la totalidad del modelo de factores pueden ser excluidos. A la inversa, si no hay relaciones estructurales, el modelo puede reducir a un anlisis de confirmacin de factores aplicables a los datos en cuestin. Por ltimo, si los datos surgen de un problema simple prediccin o experimento controlado en el que se mide la variable independiente o nivel de tratamiento sin error, el usuario puede especializarse para un modelo de regresin simple y obtener los resultados estndar de mnimos cuadrados ordinaria anlisis. Estas especializaciones pueden comunicarse con el programa de ordenador LISREL de tres maneras diferentes. En el ms intuitivo, nivel visual, el usuario puede construir el diagrama de ruta interactiva en la pantalla, y especificar las rutas que deben incluirse o excluirse. El nivel verbal correspondiente es el lenguaje de comandos simplista. Slo se requiere que el usuario nombrar las variables y declarar las relaciones entre ellos. El tercer nivel y ms detallado es el lenguaje de comandos LISREL. Se expresan en trminos de matrices que aparecen en la representacin de matriz algebraica del modelo. Varios parmetros de las matrices puede ser fija o fija igual a otros parmetros, y restricciones lineales y no lineales se pueden imponer entre ellos. Los trminos y la sintaxis del lenguaje de comandos LISREL se explica y se ilustra en los manuales del programa LISREL. La mayora, pero no todas estas funciones estn incluidas en el lenguaje simplista, ciertas funciones avanzadas slo son posibles en los comandos LISREL nativos. La suposicin esencial de anlisis estadstico LISREL es que cantidades aleatorias dentro del modelo se distribuyen en una forma que pertenece a la familia de distribuciones elpticas, el miembro ms importante de los cuales es la distribucin normal multivariante. En las aplicaciones en las que es razonable suponer normalidad multivariante, el mtodo de mxima verosimilitud de la estimacin de incgnitas en el modelo se justifica y se prefiere por lo general. Cuando los requisitos de estimacin de mxima verosimilitud no se cumplen, como cuando los datos son ordinales en lugar de medir, los mtodos menos varios estimacin plazas disponibles. Es importante comprender, sin embargo, salvo en los casos en anlisis de mnimos cuadrados ordinarios se aplica o las matrices de peso de al menos otros mtodos plazas son conocidos, que son grandes muestras procedimientos de estimacin. Esto no es una limitacin grave en los estudios de observacin, donde las muestras son tpicamente grandes. Pequea muestra de la teora se aplica adecuadamente slo a experimentos controlados y slo cuando el modelo contiene un componente normal solo error, univariante o multivariante. El gran mrito de restringir los mtodos de anlisis para la variacin elpticamente distribuido es el hecho de que la matriz de la muestra media y la covarianza (o matriz de correlacin y las desviaciones estndar) son suficientes estadsticas de los anlisis. Esto permite que toda la informacin en los datos que influyen en la eleccin y el ajuste del modelo a ser comprimido en el nmero relativamente pequeo de las estadsticas de resumen. La compresin de datos

resultante es una gran ventaja en las encuestas a gran escala de la muestra en estudios, donde el nmero de observaciones puede ejecutar para las decenas de miles de personas, mientras que el nmero de suficientes estadsticas son de un orden de magnitud determinado por el nmero de variables. La operacin de la reduccin de los datos en bruto a sus estadsticas suficientes (mientras que la limpieza y verificacin de la validez de los datos) se realiza mediante el programa que acompaa PRELIS LISREL. PRELIS tambin calcula las estadsticas de resumen para los datos cualitativos en forma de matrices de correlacin o tetracricas policricas. Cuando hay varios grupos de muestras, y el modelo LISREL se define y se compararon entre los grupos, PRELIS prepara los estadsticos suficientes para cada muestra a su vez. En muchos estudios de investigacin social y psicolgica o educativos en los que haya una sola muestra, las variables se miden en una escala con un origen arbitrario. En ese caso, los medios globales de las variables en la muestra pueden ser excluidos del anlisis, y el ajuste del modelo LISREL puede considerarse simplemente como un anlisis de la estructura de covarianza, en cuyo caso la matriz de covarianza esperada implicada por el modelo est montado en la matriz de covarianza observada directamente. Dado que la matriz de covarianza de la muestra es un estadstico suficiente bajo el supuesto de distribucin, el resultado es equivalente al ajuste de los datos. Nuevamente, el anlisis se hace ms manejable porque se puede examinar los restos de las covarianzas observadas, que son moderados en nmero, en oposicin al anlisis de los residuales de las observaciones originales en una muestra grande. Muchos de estos aspectos del anlisis LISREL se llev a cabo en los ejemplos de la PRELIS y manuales LISREL programa. Adems, el manual contiene ejercicios simplistas para ayudar al estudiante a reforzar y ampliar su comprensin de este poderoso mtodo de anlisis de datos. Los archivos que contienen los datos de estos ejemplos se incluyen con el programa y se puede analizar de muchas maneras diferentes para explorar y ensayar modelos alternativos.