Los modelos de ecuaciones estructurales

son una familia de modelos estadsticos

multivariantes que permiten estimar el
efecto y las relaciones entre mltiples
variables. Nacieron de la necesidad de
dotar de mayor flexibilidad a los modelos
de regresin, siendo menos restrictivos
por el hecho que permiten incluir errores
de medida tanto en las variables
dependientes e independientes.
Tpicos de anlisis de datos
VALLE SIERRA Max D. 20091366H
LUCAS MORALES Luis G. 20090393A

MODELOS DE ECUACIONES ESTRUCTURALES

LAS ECUACIONES ESTRUCTURALES
SEM (Structural Equation Modelling )

1. Qu son los modelos de Ecuaciones Estructurales?
La respuesta a esta pregunta no es sencilla. Sera necesario introducir algunos conceptos
previos, de naturaleza estadstica.
El anlisis de sendero (path analysis)
El anlisis factorial.
El elemento primario del anlisis de senderos es el diagrama de senderos, que no es ms
que (...) Un grfico en donde se encuentran representados las relaciones de causalidad
que s e suponen que existen un conjunto de variables (Andrade-Coba, 2005:1).
Un ejemplo simple puede encontrase en (calzado, 2009:5), en el cual aparecen variables
independientes X1 Y X2 (tambin denominadas variables exgenas) variables
dependientes X3 Y X4(llamadas igualmente variables endgenas) y los residuos Xu y Xv
con influencia sobre las variables exgenas del modelo.










Figura N1 Ejemplo de diagrama de senderos segn (calzado,2009:5)
* Ecuacin:
Una ecuacin es una igualdad matemtica entre dos expresiones algebraicas, denominadas
miembros, en las que aparecen valores conocidos o datos, y desconocidos o incgnitas,
relacionados mediante operaciones matemticas. Los valores conocidos pueden ser
nmeros, coeficientes o constantes; y tambin variables cuya magnitud pueda ser
establecida a travs de las restantes ecuaciones de un sistema, o bien mediante otros
procesos. Las incgnitas, representadas generalmente por letras, constituyen los valores
que se pretende hallar.

MODELOS DE ECUACIONES ESTRUCTURALES

A partir del diagrama de senderos se pueden construir ecuaciones estructurales, que
completan el modelo de senderos.

3

31

1

32

4

41

42

43

3

4

En las mismas, los parmetros

se les denominan coeficientes de Wright y son las

incgnitas con cuyo valor se resuelven dichas ecuaciones. Como bien explican (Tristan et
al, 2008:158); () El conjunto de ecuaciones en trminos de los coeficientes (que
multiplican a las covarianzas de las variables seleccionadas) no son lineales, para su
solucin requieren de tcnicas numricas que obligan al uso de la computadora.
Por su parte el anlisis factorial ()Es un conjunto de tcnicas utilizada para explicar un
conjunto de variables no observables, llamadas factores. Bsicamente, el modelo factorial
sigue el siguiente fundamento_: se consideran variables que puedan agruparse por sus
correlaciones entres s, pero (que) tienen pequeas correlaciones con variables de grupos
diferente(Andrade-Coba, 2005:3).

La relacin entre variables observadas y sus correspondientes factores queda formalizada
a travs del modelo factorial, que visto en orma de matrices seria:

(

) (

11

12

1

21

22

2

) (

) (

)

Sobre la base de los dos recursos estadsticos antes explicados, y siguiendo a (Andrade
Coba, 2005:4) ya (Gutirrez, 2008:11), se puede ofrecer la caracterizacin siguiente:







Los modelos de Ecuaciones Estructurales son representaciones que
resultan de combinar las metodologas de anlisis de sendero y de
anlisis factorial; incorporan variables latentes que son obtenidas de
variables observadas correspondientes al objeto del estudio.
MODELOS DE ECUACIONES ESTRUCTURALES

2. MODELOS DE ECUACIONES ESTRUCTURALES (SEM, siglas en ingles de
Structural Equation Modelling)

Los modelos de ecuaciones estructurales (MES) es una tcnica estadstica multivariante
para probar y estimar relaciones causales a partir de datos estadsticos y asunciones
cualitativas sobre la causalidad.

2.1. CONCEPTO
Esta tcnica combina el anlisis factorial con la regresin lineal para probar el grado de
ajuste de unos datos observados a un modelo hipotetizado y expresado mediante un
diagrama de senderos. Como resultado, los MES proporcionan los valores pertenecientes
a cada relacin, y ms importante, un estadstico que expresa el grado en el que los datos
se ajustan al modelo propuesto, confirmando su validez.

Entre los puntos fuertes de los MES se encuentra la habilidad de construir variables
latentes: variables que no son medidas directamente, pero son estimadas en el modelo a
partir de varias variables que covaran entre s. Esto permite al modelador capturar
explcitamente la fiabilidad del modelo. El anlisis factorial, el anlisis de caminos y la
regresin lineal representan casos especiales del modelo de ecuaciones estructurales.

2.1.1. Diagrama de senderos o vas
El diagrama de senderos o tambin llamado diagrama de vas es un grfico, parecido a un
diagrama de flujo, que expresa las relaciones existentes entre las variables. Este grfico
es lo que se considera "el modelo", y se establece a priori. Es por ello que los MES estn
muy guiados por las hiptesis previas.

En un grfico de senderos se utilizan rectngulos para expresar las variables observadas,
que pueden ser endgenas (dependientes) o exgenas (independientes). Se utilizan
elipses para expresar variables latentes, variables no observadas que se infieren a partir
de los datos mediante anlisis factorial. Ambos tipos de variables se interconectan entre s
mediante flechas, que pueden ser unidireccionales (regresin lineal) o bidireccionales
(varianza comn). Cuando dos variables no estn relacionadas, se fuerza el modelo para
que estas variables no tengan relacin alguna, bloqueando su varianza comn o
asumiendo esta varianza como parte del error de medida.
MODELOS DE ECUACIONES ESTRUCTURALES



Las variables exgenas deben ser consecuencia de una variable endgena o latente, pero
adems, se debe incluir la existencia del error de medida. As pues, una variable
dependiente siempre ser el resultado de una variable independiente junto a un error de
medida.

2.2. Tipos de MES
Los MES permiten tanto modelado confirmatorio como exploratorio, significando que esta
tcnica es til tanto para poner a prueba teoras ya existentes (confirmatorio), como para
el desarrollo de nuevas teoras (exploratorio).

o Exploratorio
Cuando se habla de exploracin, se hace referencia a que no se conoce la estructura de
los datos a priori, y la tcnica exploratoria que utilicemos nos permitir descubrir esta
estructura.

En ecuaciones estructurales se pueden disear dos tipos de modelos: el anlisis factorial
exploratorio (EFA) y el anlisis de componentes principales (PCA). El PCA es un subtipo
de EFA. En el modelado, el PCA quedara representado por lneas que van de las
variables observadas a los factores. En el EFA al contrario. El EFA se utiliza
extendidamente en el mbito psicomtrico y su funcin es reducir el nmero de variables
en un conjunto de factores que expliquen la varianza comn entre esas variables.

MODELOS DE ECUACIONES ESTRUCTURALES

o Confirmatorio
En los MES lo interesante no es replicar un modelo exploratorio, sino el reproducir un
modelo confirmatorio. A diferencia del exploratorio, las vas que salen de un factor a
variables que no tienen que ver con dicho factor se podan.

El modelo confirmatorio generalmente comienza con una hiptesis previa que queda
representada como un modelo causal. Los conceptos utilizados en el modelo deben
entonces ser operacionalizados de forma que permitan probar las relaciones entre los
conceptos del modelo. El modelo pone a prueba los datos obtenidos a partir de medidas
empricas para determinar el grado en el cual los datos se ajustan al modelo. Las
asunciones causales dentro del modelo comnmente son falsables y esto es comprobado
mediante los datos. Bajo este tipo de modelo se encuentra el anlisis factorial
confirmatoria, considerada un subtipo especial de MES. Consiste en una variante del
anlisis factorial exploratorio en el que se bloquea la posible relacin entre los factores y
las variables que no pertenecen al factor.

3. 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.
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.
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.





MODELOS DE ECUACIONES ESTRUCTURALES

4. Para qu sirven los modelos de ecuaciones estructurales?
La modelacin mediante ecuaciones estructurales ha encontrado aplicacin en diversas
reas de investigacin en ciencias sociales; por ejemplo para la clarificar la relacin entre
cultura de los grupos de trabajo, la satisfaccin laboral y el compromiso organizacional de
sus miembros.
Topa Morales 2005 modela relacin entre la satisfaccin laboral y el sndrome de Bournot
y las consecuencias para la salud en funcionarios de prisiones; mientras que ( Lozan:
2007 ) la empleo en la calibracin de un instrumento de diagnstico d las dificultades para
la tomad e decisiones vocacionales, relacionando la decisin vocacional con la falta de
motivacin, la indecisin, las dificultades para auto-conocerse, buscar informacin y
resolver conflictos internos y externos











MODELOS DE ECUACIONES ESTRUCTURALES


5. Cmo se utilizan los modelos de Ecuaciones Estructurales?

Los principales especialistas en el SEM consideran seis pasos a seguir para aplicar esta
tcnica: especificacin, identificacin, estimacin de parmetros, evaluacin del ajuste,
reespecificacin del modelo e interpretacin de resultados (Kaplan, 2000; Kline, 2005).
Adems, incluyen un apartado a considerar: el anlisis de la matriz de datos.


Figura N2 Modelo estructural del Modelo de rendimiento acadmico propuesto por la Teora
Social Cognitiva del Desarrollo de Carrera (Lent, Brown & Hackett, 1994).

5.1. Especificacin del modelo
En esta fase el investigador aplica sus conocimientos tericos del fenmeno estudiado al
planteamiento de las ecuaciones matemticas relativas a los efectos causales de las
variables latentes y a las expresiones que las relacionan con los indicadores o variables
observables. Esta distincin es importante porque cualquier relacin entre variables, sin
especificar por el investigador, se asume que es igual a cero. En la figura 2, la relacin
directa entre expectativa de resultados y el rendimiento acadmico es igual a cero,
aunque la relacin entre estas dos variables es mediada por as metas de rendimiento. La
especificacin errnea en este modelo existir si el mediador (metas de rendimiento) no
explica completamente la relacin entre las expectativas de resultados y el rendimiento
acadmico. Adems, en esta etapa, se formulan enunciados sobre el conjunto de
parmetros, decidiendo entre los que sern libres para ser estimados o fijos, a los que se
les asignar un valor dado, normalmente cero. Asimismo, se especifican los supuestos
estadsticos sobre las fuentes de variacin y en concreto sobre la forma de distribucin
conjunta, que en la mayora de las tcnicas empleadas se considera normalidad
MODELOS DE ECUACIONES ESTRUCTURALES

multivariantes. La claridad del modelo viene determinada por el grado de conocimiento
terico que posea el investigador sobre el tema de estudio. En efecto, si la informacin es
poco exhaustiva o detallada, la asignacin de los parmetros ser confusa a prori, por lo
que el investigador deber realizar luego diversas modificaciones, contemplando
principalmente los aspectos tericos.


5.2. Identificacin del Modelo
Si el modelo terico es correcto, se procede a la identificacin del modelo, en donde
debemos asegurar que pueden ser estimados los parmetros del modelo. El modelo est
identificado si todos los parmetros lo estn, es decir, si existe una solucin nica para
cada uno de los parmetros estimados. Determinar si un modelo est identificado debe
analizarse antes de la recoleccin de datos, verificando que al menos se dispone para
cada parmetro de una expresin algebraica que lo exprese en funcin de las varianzas y
covarianzas mustrales. Existe una serie de reglas generales aplicables para identificar
un modelo, una de ellas es la regla de los grados de libertad. Los investigadores calculan
el nmero de grados de libertad (gl) en un modelo utilizando la siguiente frmula: (Nmero
de variables observadas x [nmero de variables + 1J)/2. Se espera que los grados de
libertad del modelo deban ser mayores o iguales a cero. Esto corresponde a lo que se
denomina como modelo identificado o modelo sobre-identificado. Un modelo identificado
tiene exactamente cero grados de libertad (gl=0). Aunque esto ofrece un ajuste perfecto
del modelo, la solucin no tiene inters puesto que no se puede generalizar. Un modelo
sobre-identificado es el objetivo de todos los modelos de ecuaciones estructurales. Tiene
ms informacin en la matriz de datos que el nmero de parmetros a estimar, lo que
significa que tiene un nmero positivo de grados de libertad (gl>0). Al igual que otras
tcnicas multivariantes, el investigador s esfuerza por conseguir un ajuste aceptable con
el mayor grado de libertad posible. Esto asegura que el modelo sea tan generalizable
como sea posible. Finalmente, un modelo infra-estimado tiene grados de libertad negativo
(gl<0), lo que significa que se intentan estimar ms parmetros de los que permite la
informacin disponible.
Al aplicar esta revisin de identificacin al modelo de la Figura 2, se evidencia que hay 11
variables observadas (66 elementos conocidos en la matriz de covarianza; (11 x
[11+1])/2= 66), y hemos especificado 10 parmetros para ser estimados que estn
destacados con asteriscos. Restando los 10 parmetros a estimar de los 66 parmetros
conocidos revela que para este modelo hay 56 grados de libertad. En resumen, mientras
ms grados de libertad, ms parsimonioso es el modelo. As, cuando un modelo es
parsimonioso se ajusta bien a los datos, el investigador puede demostrar que las
asociaciones entre variables observadas y latentes son ms importantes.




MODELOS DE ECUACIONES ESTRUCTURALES


5.3. Evaluacin de la calidad de la base de datos
Previo al anlisis, es recomendable examinar todas las variables a los fines de evaluar la
calidad de la base de datos. El primer tema a tratar es el tamao de la muestra, ya que
es uno de los aspectos donde menos consenso hay entre los especialistas. Algunos
autores (por ejemplo, Kline, 2005) consideran que una muestra adecuada debera tener
entre 10 a 20 participantes por parmetro estimado. Otros sugieren (MacCallum, Browne,
y Sugawara, 1996) que el tamao de la muestra depende del poder estadstico deseado,
de las hiptesis nulas a evaluar y de la complejidad del modelo (cuando el modelo es
ms complejo, mayor tamao de la muestra). Por su parte, Jackson (2003) sugiere que la
confiabilidad de las medidas observadas y el nmero de indicadores por factor determinan
el ajuste del modelo, y controlando estos factores, el tamao de la muestra mnima
recomendable es 200 sujetos para cualquier SEM.
Otro aspecto a tener en cuenta es la multicolineidad entre las variables, donde variables
altamente correlacionadas son consideradas redundantes. Una pauta para verificar si
existe multicolineidad entre las variables es mediante una correlacin y bivariada, donde
valores superiores a r = 0,85 pueden sealar potenciales problemas (Kline, 2005).
Cuando se observa que dos variables estn altamente correlacionadas, la solucin ms
prctica es retirar una de ellas del modelo. Los investigadores tambin deben examinar la
existencia de casos con puntuaciones marginales (outliers) univariados y multivariados.
Cuando los puntajes de un sujeto son extremos en solo una variable, se denomina casos
atpicos univariados, pero cuando presentan puntajes extremos en ms de una variable,
se denominan casos atpicos multivariados. En Tabachntek & Fidell (2001) se presenta
una exposicin clara de cmo tratar los casos Finalmente, los estadsticos utilizados en
SEM asumen que la distribucin multivariada est normal. Violar esta suposicin es
problemtico y afecta la precisin de las pruebas estadsticas. Sin embargo, evaluar la
distribucin normal multivariada generalmente es poco prctico, ya que esto implica ef
examen de un nmero infinito de combinaciones lineales. Una solucin a este problema
es examinar la distribucin de cada variable observada. Para determinar si existe
normalidad univariada, el investigador debe examinar la asimetra y curstosis de cada
variable observada, donde valores entre +1.00 y -1.00 se considerarn excelentes,
mientras que valores inferiores a 1.60, adecuados (George & Mallery, 2001). Sin
embargo, un mtodo que incrementa la distribucin de la normalidad es la transformacin
de los datos. Los mtodos ms comunes de transformacin son la raz cuadrada, el
logaritmo, y el inverso. Eliminar o transformar los casos atpicos univariados o
multivariados aumenta la distribucin normal de los datos.






MODELOS DE ECUACIONES ESTRUCTURALES

5.4. Estimacin de parmetros
La estimacin implica determinar los valores de los parmetros desconocidos y su
respectivo error de medicin. Como en la regresin mltiple, los investigadores estiman
los coeficientes no estandarizados y estandarizados de los parmetros. Para estimar los
parmetros desconocidos, los investigadores utilizan programas especiales para el SEM,
como el LISREL (Jreskog & Sorbom, 1996), AMOS (Arbuckle, 2003), y el EQS (Bentler,
1995). Una de las tcnicas ampliamente empleada en la mayora de los programas
informticos para la estimacin de modelos estructurales, es el de mxima verosimilitud
(MV), que es eficiente y no sesgada cuando se cumplen los supuestos de normalidad
multivariada. La sensibilidad de este mtodo de estimacin a la no normalidad, creo que
genera la necesidad de tcnicas de estimacin alternativas, como el mtodo mnimos
cuadrados ponderados (WLS), mnimos cuadrados generalizados (GLS) y asintticamente
libre de distribucin (AGL). La tcnica AGL ha recibido particular atencin debido a su
insensibilidad a la no normalidad de los datos, pero este mtodo exige un nmero
considerable de casos (N=500 o ms).


5.5. Evaluacin del ajuste e interpretacin
La etapa de diagnstico de la bondad del ajuste se refiere a la exactitud de los supuestos
del modelo especificado para determinar si el modelo es correcto y sirve como
aproximacin al fenmeno real, precisando as su poder de prediccin. Las medidas de
calidad del ajuste pueden ser de tres tipos: (1) medidas absolutas del ajuste, que evalan
el ajuste global del modelo, (2) medidas del ajuste incremental, que comparad- el modelo
propuesto con otros modelos especificados por el investigador, o (3) medidas del ajuste
de parsimonia, que ajustan las medidas de ajuste para ofrecer una comparacin entre
modelos con diferentes nmeros de coeficientes estimados, siendo su propsito
determinar la cantidad del ajuste conseguido por cada coeficiente estimado (Hair et al.,
2001). La literatura recomienda emplear mltiples indicadores para evaluar el ajuste del
modelo (Hu & Bentler, 1995). Entre los ms utilizados podemos destacar el estadstico
chi-cuadrado, la razn de chi-cuadrado sobre los grados de libertad (CMIN/DF), el cambio
en chi-cuadrado entre los modelos alternativos, el ndice de ajuste comparativo (CFI), el
ndice de bondad de ajuste (GFI), y el error cuadrtico medio de aproximacin (RMSEA).
Los valores de estos estadsticos de bondad del ajuste (CFI, GFI) varan por lo general
entre 0 y 1, con 1 indicando un ajuste perfecto. Valores superiores a 0,9 sugieren un
ajuste satisfactorio entre las estructuras tericas y los datos empricos, y valores de 0,95 o
superiores, un ajuste ptimo. El chi cuadrado debe ser no significativo para indicar un
buen ajuste de los datos. Esto es as porque un valor significativo de x2 implica que la
estructura del modelo terico propuesto es significativamente diferente de la indicada por
la matriz de covarianza de los datos. No obstante, este ltimo estadstico es sensible al
tamao muestral y debe interpretarse con precaucin.
Usualmente se interpreta tambin la razn de chi cuadrado sobre los grados de libertad,
con valores inferiores a 2 indicando un buen ajuste. Cuando se comparan diferentes
modelos tericos, la reduccin significativa en chi cuadrado de un modelo respecto a otro
tambin sugiere un ajuste ms adecuado a los datos (Tabachnick & Fidell, 2001).
MODELOS DE ECUACIONES ESTRUCTURALES

El ndice RMSEA es considerado ptimo cuando sus valores son inferiores a 0,06 (Hu &
Bentler, 1995). Finalmente, adems de considerar el ajuste del modelo, debe prestarse
atencin a la significacin de los parmetros estimados que son anlogos a los
coeficientes de regresin. Al igual que en el anlisis de regresin, un modelo que se
ajusta bien a los datos, pero que posee pocos coeficientes significativos, no tendra
mucho sentido
5.6. Reespecificacin del modelo
En raras ocasiones el modelo propuesto es el que mejor se ajusta. En consecuencia, el
investigador normalmente busca mtodos para mejorar el ajuste del modelo y/o su
correspondencia con la teora subyacente. En tal caso, puede iniciar la reespecificacin
del modelo, el proceso de aadir o eliminar los parmetros estimados del modelo original.
Antes de tratar algunos enfoques para identificar las modificaciones del modelo, es
aconsejable hacer tales modificaciones con cuidado y considerando las justificaciones
tericas antes que las empricamente deseables. Si se realizan modificaciones, el modelo
debera tener una validacin cruzada (es decir, estimado sobre un conjunto distinto de
datos) antes de que el modelo modificado sea aceptado.
Para realizar una reespecificacin se deben examinar los ndices de modificacin. El valor
del ndice de modificacin corresponde aproximadamente a la reduccin en el chi-
cuadrado que se producira si el coeficiente fuera estimado. Un valor de 3,84 o superior
sugiere que se obtiene una reduccin estadsticamente significativa en el chi-cuadrado
cuando se estima el coeficiente (Hair et al., 2001). El investigador tambin puede
examinar la matriz residual de la matriz de las predicciones de la covarianza y correlacin,
donde los valores residuales mayores que 2,58 se consideran estadsticamente
significativos a nivel de 0,05. Los residuos significativos indican un error de prediccin
sustancial para un par de indicadores.













MODELOS DE ECUACIONES ESTRUCTURALES

6. Conclusiones:

Los modelos de ecuaciones estructurales analizan las relaciones causales y no
causales entre variables tomadas como indicadores de medida de los
constructos, excluyendo del anlisis el error de medicin.

Mediante la combinacin del anlisis factorial confirmatorio y el anlisis de
relaciones causales, los modelos de ecuaciones estructurales se constituye en
una herramienta de anlisis hbrida y completa.



Pese a su aparente demanda de minina de formacin estadstica se requiere
una slida formacin matemtica.



















MODELOS DE ECUACIONES ESTRUCTURALES



7. Bibliografa


Abascal Fernndez, Elena (2011) Fundamentos y tcnicas de investigacin comercial
ESIC (Escuela Superior de Gestin Comercial y Marketing) Madrid

Bentler, P. M. (1995). EQS structural equations program manual. Encino, CA: Multivariate
Software.

GARCA VEIGA (2011) Anlisis causal con ecuaciones estructurales de la satisfaccin
ciudadana con los servicios municipales UCS Santiago de Compostela

Ronald L. Tatham (2004) Analisis Multivariante de Datos ,Pearson, Prentice Hall , Madrid

Torres F. (2010) Modelo de ecuaciones Estructurales, Cuba.

Cristina C. Porral, Oscar Juanatey-Boga (2013) Anlisis de dos Modelos de Ecuaciones
Estructurales Alternativospara medir la Intencion De Compra. Revista Investigacin
Operacional Vol. 34, No. 3, 230-243. http://rev-inv-ope.univ-paris1.fr/files/34313/34313-
05.pdf.

Juan E. Wong, Roco E. Montiel (2012) Introduccin a los Modelos de Ecuaciones
Estructurales con AMOS: Aplicaciones con la EMOVI.
http://www.ceey.org.mx/site/files/ecuacionesestruc_jehw_0.pdf.

Miguel A. Ruiz(2010) Modelos de Ecuaciones Estructurales Madrid Papeles del Psiclogo,
2010. Vol. 31(1), pp. 34-45 http://www.papelesdelpsicologo.es/pdf/1794.pdf.