Introduccin a los Modelos de Ecuaciones Estructurales con AMOS: Aplicaciones con la EMOVI

Juan Enrique Huerta Wong Roco Espinosa Montiel

Julio 2012

Modelos de Ecuaciones Estructurales

Objetivos de la sesin
Identificar qu son y qu aplicaciones tienen los modelos de ecuaciones estructurales (SEM) Identificar los elementos de los SEM Identificar elementos bsicos de la teora de estratificacin, como preparacin a un ejercicio Familiarizarse con el paquete AMOS Correr un ejercicio

Modelos de Ecuaciones Estructurales

Structural Equation Models La modelacin de ecuaciones estructurales, tambin conocida como anlisis estructural de covarianza, o simplemente, modelos causales (Arbuckle, 2007; Byrne, 2010; Lavee, 1988) . a) Si un conjunto de variables observadas en realidad proveen significado a un constructo diseado con base en la teora (confirmacin de una estructura de factores) b) Si un conjunto de constructos ajustan a un modelo terico (confirmacin de una serie de modelos de regresin ejecutados sincrnicamente).
Familia de modelos estadsticos multivariados que permiten proponer a) el tipo y direccin de las relaciones hipotticas entre diversas variables b) estimar los parmetros especificados por las relaciones propuestas a nivel terico. Puede ser vistos simplemente como una combinacin de anlisis factorial y de regresin (Hox & Bechger)

Ventajas de usar AMOS

Analysis of MOment Structures Cuenta con un ambiente grfico del objeto a estudiar Identificacin de la validez del constructo Forma intuitiva para el estudio de fenmenos y sus relaciones

Discusiones
Causalidad. Aunque algunos autores lo llamaron modelos causales, la causalidad no se resuelve con mtodos de estimacin, sino con diseos de investigacin (i.e., diseos experimentales) Construccin de teora vs confrontacin de teora

Qu elementos podemos identificar en un Modelo de Ecuaciones Estructurales? Variable observada o indicador: son aquellas que se mide a los sujetos, por ejemplo, la informacin con la que contamos a partir de un cuestionario. Variable latente: es la caracterstica que se deseara medir pero que no se puede observar.

Qu elementos podemos identificar en un Modelo de Ecuaciones Estructurales? Error: representa tanto los errores asociados a la medicin de una variable como el conjunto de variables que no han sido contempladas en el modelo y que pueden afectar a la medicin de una variable observada. Es decir, la proporcin de la varianza no explicada.

Qu elementos podemos identificar en un Modelo de Ecuaciones Estructurales? Variable exgena: es aquella que afecta a otra variable y que no recibe efecto de ninguna variable. Las variables independientes de un modelo de regresin son exgenas. Variable endgena: es aquella que recibe efecto de otra variable. La variable dependiente de un modelo de regresin es endgena. Toda variable endgena debe ir acompaada de un error.

Variables observadas Variables latentes Variables exgenas Variables endgenas Errores de medicin

De la validez Validez de contenido Validez de criterio Uso de un instrumento externo para saber si lo que se mide realmente mide lo que se dice que mide

De la validez Validez de constructo Mientras que en el grueso de constructos que forman la teora social no es siempre posible tener un indicador externo contra el cual confrontar la variacin de un conjunto de variables observadas, s es posible en cambio, identificar tal variacin a la luz de un concepto tericamente conformado, a lo cual le denominamos constructo (Borsboom, Mellenbergh y Heerden, 2004).

Validez de constructo
Es decir, medir la influencia de una medicin sobre el resultado de esa medicin. Ante la incapacidad del investigador por encontrar lo que realmente se dice que se mide, hay que conformarse con identificar si la variabilidad de un instrumento a afecta consistentemente la variabilidad de un constructo tericamente propuesto. Reconocer que en el mundo social no hay mediciones reales sino imputaciones de los investigadores a fenmenos del comportamiento.

Tipos de SEM Anlisis factorial confirmatorio Path Analysis (anlisis de trayectorias o sendas) Full SEM

Ejemplos de PA (Norman & Streiner 2003)

AFC
.32

e4 e3 e2 e1 e7 e6 e5 e11 e10 e9 e8 e13 e12

Bao .49 Refrigerador .42

.65

.56 .70

equipamiento
.31

.54 Lavadora .29

Estufa
.33

Cable .71 Computadora .66 .81 Internet

.12 .84

.58

comunicaciones

.27

-.45 .61 .35 .60 .66 -.04 -.46

Acciones .36 Ahorros .43

finanzas
-.09 -.46

Cuenta.47 .69 Tarjeta

.03

casa

.18 .66 .81

-.06

propiedades
.10

automvil

ingreso

Anlisis factorial confirmatorio

El anlisis factorial confirmatorio es usado para observar si un conjunto de variables observadas explica un factor latente. La diferencia principal con el anlisis factorial exploratorio o con el anlisis de componentes, es que el AFC confirma un modelo previamente propuesto. AFC es una tcnica particularmente conveniente para confrontar la validez segn la definicin propuesta por Borsboom, Mellenbergh y Heerden (2004). AFC observa si las variables que componen un constructo varan todas juntas, y si el constructo es afectado cuando tales variables entran o salen del modelo, o si crecen o decrecen.

AFC
El mayor objetivo es determinar cuanto la covarianza propuesta ajusta la covarianza observada. En otras palabras, si las relaciones entre las variables en el modelo hipottico se parecen a las relaciones entre las variables en el conjunto de datos observados.

Full SEM
Un modelo completo de ecuaciones estructurales permite la especificacin de la estructura de regresiones entre las variables latentes. Se denomina modelo completo a este modelo porque contiene un modelo de medicin y un modelo estructural. Por modelo de medicin se entienden las relaciones entre las variables latentes y sus mediciones observadas (AFC), y el modelo estructural se refiere a las relaciones entre las variables latentes. El modelo completo supone el esfuerzo del investigador por proponer un modelo terico, o una serie de modelos tericos, el cual se evala va la bondad de ajuste entre los modelos propuestos y los datos del caso (Byrne, 2010).

Full SEM
Figure 1. Structural model for Political Participation and Civic Awareness
e17 e9
.51 .26

e10

.28 .01 .12

1.03

news1news2
1.02

aware2 .25
.53 .50 .36 .52

e5 e6 e7 e8

aware

aware3 .27 aware4 aware5

.13

news
.16

.71

discuss
.76 .49 .24 .48

.08

disc1 disc2 disc3 disc4

.09e14 .50

e18 particip
.44 .21.85 .75

.71

e13

.58

e12

e11

.23

partic1 .57 partic2

e1 e2

.27

parents2

Elementos
Factor (variable latente)

Factor loading

Item 1 (variable observada)

1

Item 2 (Variable dependiente del factor)

1

error

Elementos Full SEM

1 1 1 1 1

Variable exgena

1 Regresin (B)

Correlacin

Variable endgena

Factor (variable latente)

Factor loading

Item 1 (variable observada)

1

Item 2 (Variable dependiente del factor)

1

error

5 Pasos del anlisis de modelos

Especificacin
Se proponen las relaciones

Identificacin
Diferencia entre el nmero de variables y el nmero de parmetros a ser estimado Tiene que haber ms parmetros conocidos que desconocidos, es decir, debemos tener grados de libertad positivos (V(V+1)/2)

Estimacin Evaluacin Re especificacin

Pasos para desarrollar un full SEM

Construccin del modelo terico Anlisis factorial confirmatorio de escalas Anlisis factorial confirmatorio completo Modelo operacional Anlisis de correlacin del modelo completo Modelo de ecuaciones estructurales completo
Fall en ajustar los datos, ms modelos, ms modelos, ms modelos

Estimacin de efectos directos e indirectos

Paso 1. AFC bienestar econmico primer modelo

.32

e4 e3 e2 e1 e7 e6 e5 e11 e10 e9 e8 e13 e12

Bao .49 Refrigerador .42

.65

.56 .70

equipamiento
.31

.54 Lavadora .29

Estufa
.33

Cable .71 Computadora .66 .81 Internet

.12 .84

.58

comunicaciones

.27

-.45 .61 .35 .60 .66 -.04 -.46

Acciones .36 Ahorros .43

finanzas
-.09 -.46

Cuenta.47 .69 Tarjeta

.03

casa

.18 .66 .81

-.06

propiedades
.10

automvil

ingreso

AFC bienestar econmico modelo completo

Figura 4. Validez estructural.31 de la Escala de Bienestar Econmico
e4 e3
-.14

Bao.48 Refrigerador .43 .65

.15 .60 Lavadora .36 .10

.56 .69

e2 e1 e7 e6 e5 e11 e10 e9 e8

equipamiento
.28 .57

Estufa -.12 .33

.83 Computadora .68 .82 .09

Cable.70

comunicaciones
.61 .35 .60

.22

Internet
.12

Acciones .36 Ahorros .44 .66

.69 Cuenta .47

finanzas

Tarjeta

Anlisis factorial confirmatorio completo (con base en Blau y Duncan, 1967; Flap y Volker, 2008; Warren y Hauser, 1997)

.67

e13 e12 e15 e14

padequip1 .62 padequip2

.82

.44

.34 .58

.79

equip casa pad

.28 .45 .35

equip1 .31
.69

e1 e2 e3 e4 e5 e6 e7 e8 e9 e10 e11

.55

.20

equipamiento
.33 .31 .16 .31

equip2 .48

padfina1 .60 .78 padfina2

finanzas padre

.64equip3 .40

equip4
.58

.70

.83

comm1 .33
.27 comm2 .67 .82

e17

educacin pat e16 educacin de la madre

.51

.72 .43 .85 educacin.66 padre .81

.59

comm

comm3 .13
.29 .61 .36 .61

fina1.38
.66 .67

finanzas
.53 .44

fina2.44 fina3.45 fina4

Modelo operacional
e22
1

educacin del hijo e23 bienes_padre

1

bienes_hijo e17 e16

1 1

educpad educmad

educacin pat

Dos tipos de hiptesis

Hiptesis estructurales
HE1. Un modelo de cuatro factores independientes y simples (cada variable cargando solamente en un factor), a saber, ingreso, equipamiento domstico, propiedades y riqueza financiera, ajustarn los datos del modelo terico. HE2. Existe una significativa covarianza positiva entre ingreso, equipamiento domstico, propiedades y riqueza financiera.

Hiptesis confirmatorias
CH11: A mayor equipamiento del hogar de una persona, ms alta la probabilidad que ese hogar contenga bao dentro de la casa. CH21: A ms alto el nivel de propiedades que una persona tiene, ms alta la probabilidad que esa persona cuente con casa propia.

Bondad de ajuste

Correlaciones

Poblacin general
e22
.30

educacin del hijo

.18 .33 .18 .42 .21 .71 .84 e17 educacin padre .57 .67 .82 educacin pat e16 educacin de la madre
X2 = 7.212 (2) p = .027; RMR = .005; GFI = 1; AGFI = .997; RMSEA = .019

e23
.36

bienes_padre

bienes_hijo

AFC
Se crea una matriz de correlacin / covarianza El desarrollo y evaluacin de un AFC involucra 5 pasos
Especificacin del modelo Identificacin del modelo Estimacin del modelo Evaluacin del modelo Rediseo del modelo

Identificacin del modelo

La identificacin del modelo tiene que ver con la diferencia entre, a un nivel muy general, el nmero de variables en el anlisis, y el nmero de parmetros que necesitan ser estimados por el modelo.
df = f de elementos no redundantes f de parmetros desconocidos

Los grados de libertad siempre tienen que ser positivos

Conocidos
Nmero de elementos no redundantes = V ( V + 1) / 2 (conocidos) V = nmero de variables medidas en el estudio Elementos son a) entradas en una matriz de correlacin para las variables medidas Varianzas y coeficientes de varios rdenes para las rutas de las variables independientes
Desconocidos
Especificar 1 en un tem no altera la solucin final del procedimiento de mxima probabilidad (ML).

Como no lo vamos a identificar a la primera

El modelo se especifica nuevamente Se empieza por los coeficientes que apuntan a los errores de las variables de indicador
Hasta que el modelo est overidentified

Estimacin y evaluacin del modelo

MLE estima los valores de los parmetros que resultaran en la ms alta probabilidad de que los datos ajusten con el modelo propuesto La evaluacin de un modelo incluye dos categoras, las que evalan el ajuste del modelo completo, y las que se ocupan de parmetros individuales.
Omnibus ANOVA y post hoc tests

X2 bsqueda de no significancia Parmetro sensible a n, por lo que se usan ms indicadores para reducir error Tipo II

Absolutas
Cuan bien ajusta la matriz de correlacin observada a la esperada RMSEA es el promedio de los residuales entre la correlacin observada de la muestra y el modelo esperado estimado de la poblacin

Relativas
Mediciones relativas al modelo de independencia (no hay relaciones en los datos) y al modelo saturado (ajuste perfecto) Comparaciones con mediciones baseline CFI

Parsimonia
Penalizan modelos grandes con muchos parmetros estimados SEM es sensible a la cantidad de parmetros a estimar Ms complejo el modelo, ms probabilidad de que ajuste
AGFI y PGFI

Un poquito de teora de estratificacin no mata a nadie...

Distribucin desigual de la gente a travs de las categoras sociales que son caracterizadas por accesos diferenciados a recursos escasos. Los recursos pueden ser materiales, como ingreso y riqueza; o pueden ser simblicos, como prestigio y posicin social; o pueden ser emocionales, como afecto, amor, o sexo.
Los sistemas de estratificacin ordenan a la gente verticalmente en una estructura social caracterizada por el acceso a recursos diferenciados de arriba abajo. La distancia se caracteriza por el tamao de la brecha en acceso a recursos entre aquellos hasta arriba, y aquellos hasta abajo. Entre ms grande sea esa distancia, se dice que esa sociedad est ms estratificada. (Massey, 2007)

El proceso de estratificacin
Los sistemas de estratificacin pueden ser caracterizados de varias maneras. Una importante se relaciona con los procesos por los cuales los individuos se ubican en posiciones en la jerarqua. Dos extremos, en uno, las condiciones de nacimiento fijan el destino de ego (adscripcin); en el otro, hay ausencia de lmites derivados de las circunstancias de nacimiento o crianza (logro). Dos preguntas tpicas: Cmo, y con qu grado, condicionan las circunstancias de nacimiento al estatus subsecuente? Cmo el estatus alcanzado (va adscripcin o logro) en una etapa del ciclo de vida afecta los prospectos para una etapa subsecuente?
(Blau y Duncan, 1967)

Un sistema de estratificacin es un conjunto de instituciones que generan desigualdad. Componentes Proceso institucional que define ciertos bienes como deseables y valiosos Reglas de asignacin que distribuyen estos bienes a travs de diferentes posiciones y ocupaciones Mecanismos de movilidad que vinculan a individuos con ocupaciones y, de esta forma, dan pie a la existencia de un control desigual sobre recursos valorados socialmente
Grusky; Triano

Un modelo clsico del proceso de la estratificacin (Blau & Duncan - 1967)

Un primer contraste con los datos de la Emovi Puga y Sols 2010)

Otro enfoque al proceso de estratificacin, rol de la herencia y capital cultural

Figura 2. Modelo hipottico general (ejemplo de arreglo de variables)
e3
1

e4
1

Educacin
1

Competencias
1 e10

Capital humano e9 e2
1 1

Capital cultural Origen social

Bienestar econmico de hijos

1

e1

1 Bienestar

econmico de padres

Ingreso
1

Equipamiento Propiedades Riqueza financiera hogar 1 1

1

e8

e7

e6

e5