La modelización de ecuaciones estructurales es una técnica de análisis estadístico multivariante que se utiliza para analizar las relaciones estructurales. Esta técnica es la combinación del análisis factorial y el análisis de regresión múltiple, y se utiliza para analizar la relación estructural entre las variables medidas y los constructos latentes. El investigador prefiere este método porque estima la dependencia múltiple e interrelacionada en un único análisis. En este análisis se utilizan dos tipos de variables, las endógenas y las exógenas. Las variables endógenas equivalen a las variables dependientes y son iguales a la variable independiente.
Teoría:
Se puede considerar como un conjunto de relaciones que proporcionan consistencia y explicaciones completas de los fenómenos reales. Existen dos tipos de modelos:
Modelo de medición: El modelo de medición representa la teoría que especifica cómo las variables medidas se unen para representar la teoría.
Modelo estructural: Representa la teoría que muestra cómo los constructos se relacionan con otros constructos.
El modelado de ecuaciones estructurales también se denomina modelado casual porque pone a prueba las relaciones casuales propuestas. Se asumen los siguientes supuestos:
Distribución normal multivariante: Se utiliza el método de máxima verosimilitud y se asume para la distribución normal multivariante. Pequeños cambios en la normalidad multivariante pueden conducir a una gran diferencia en la prueba de chi-cuadrado.
Linealidad: Se asume una relación lineal entre las variables endógenas y exógenas.
Outlier: Los datos deben estar libres de valores atípicos. Los valores atípicos afectan a la significación del modelo.
Secuencia: Debe haber una relación de causa y efecto entre las variables endógenas y exógenas, y una causa tiene que ocurrir antes del evento.
Relación no espuria: La covarianza observada debe ser verdadera.
Identificación del modelo: Las ecuaciones deben ser mayores que los parámetros estimados o los modelos deben estar sobreidentificados o exactamente identificados. No se consideran los modelos infraidentificados.
Tamaño de la muestra: La mayoría de los investigadores prefieren un tamaño de muestra de 200 a 400 con 10 a 15 indicadores. Como regla general, esto supone entre 10 y 20 veces más casos que variables.
Términos de error no correlacionados: Se supone que los términos de error no están correlacionados con los términos de error de otras variables.
Datos: Se utilizan datos de intervalo.
Pasos:
Definición de constructos individuales: El primer paso es definir los constructos teóricamente. Realizar un pretest para evaluar el ítem. Se lleva a cabo una prueba confirmatoria del modelo de medición mediante el AFC.
Desarrollo del modelo de medición global: El modelo de medición también se conoce como análisis de trayectorias. El análisis de trayectorias es un conjunto de relaciones entre variables exógenas y endógenas. Se muestra mediante el uso de una flecha. El modelo de medición sigue el supuesto de unidimensionalidad. La teoría de la medición se basa en la idea de que los constructos latentes causan la variable medida y que el término de error no está correlacionado con las variables medidas. En un modelo de medición, se dibuja una flecha desde la variable medida hasta los constructos.
Diseñar el estudio para producir los resultados empíricos: En este paso, el investigador debe especificar el modelo. El investigador debe diseñar el estudio para minimizar la probabilidad de un problema de identificación. Los métodos de condición de orden y condición de rango se utilizan para minimizar el problema de identificación.
Evaluación de la validez del modelo de medición: La evaluación del modelo de medición también se denomina CFA. En el AFC, un investigador compara la medida teórica con el modelo de la realidad. El resultado del CFA debe asociarse con la validez de los constructos.
Especificación del modelo estructural: En este paso se dibujan las trayectorias estructurales entre los constructos. En el modelo estructural, ninguna flecha puede entrar en un constructo exógeno. Se utiliza una flecha de una sola punta para representar una relación estructural hipotética entre un constructo y otro. Esto muestra la relación de causa y efecto. Cada relación hipotética utiliza un grado de libertad. El modelo puede ser recursivo o no recursivo.
Examinar la validez del modelo estructural: En el último paso, un investigador examina la validez del modelo estructural. Un modelo se considera bien ajustado si el valor de la prueba de chi-cuadrado es insignificante, y al menos un índice de ajuste incremental (como CFI, GFI, TLI, AGFI, etc.) y un índice de mal ajuste (como RMR, RMSEA, SRMR, etc.) cumplen los criterios predeterminados.
Recursos
Bentler, P. M., & Chou, C. -P. (1987). Cuestiones prácticas en la modelización estructural. Sociological Methods & Research, 16(1), 78-117.
Bollen, K. A. (1989). Ecuaciones estructurales con variables latentes. Nueva York: John Wiley & Sons. View
Hatcher, L. (1994). Un enfoque paso a paso para utilizar el sistema SAS para el análisis factorial y el modelado de ecuaciones estructurales. Cary, NC: SAS Institute.
Hoyle, R. H. (Ed.). (1995). Modelización de ecuaciones estructurales: Concepts, issues, and applications. Thousand Oaks, CA: Sage Publications.
Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). New York: Guilford Press. Ver
Lee, S. (2007). Structural equation modeling: Un enfoque bayesiano. New York: John Wiley & Sons. Ver
Maruyama, G. M. (1998). Fundamentos del modelado de ecuaciones estructurales. Thousand Oaks, CA: Sage Publications. Ver
Mulaik, S. A., & Millsap, R. E. (2000). Haciendo bien los cuatro pasos. Structural Equation Modeling, 7(1), 36-73.
Raykov, T. (2000). On the large-sample bias, variance, and mean squared error of the conventional noncentrality parameter estimator of covariance structure models. Structural Equation Modeling, 7(3), 431-441.
Schumacker, R. E. (2002). Latent variable interaction modeling. Structural Equation Modeling, 9(1), 40-54.
Schumacker, R. E., & Lomax, R. G. (2004). A beginner’s guide to structural equation modeling (2ª ed.). London: Routledge. Ver
Shipley, B. (2000). Causa y correlación en Biología: A user’s guide to path analysis, structural equations and causal inference. Cambridge, Reino Unido: Cambridge University Press. View
Páginas relacionadas:
Análisis de trayectorias
Realizar e interpretar un análisis factorial