Modelos de ecuaciones estructurales
De Wikipedia, la enciclopedia libre
Saltar a navegación Saltar a búsqueda
Para la revista, consulte Modelado de ecuaciones estructurales (revista) .
Un modelo de ecuación estructural de ejemplo
Figura 1. Un ejemplo de modelo de ecuación estructural. Las variables latentes se indican normalmente con óvalos y las variables observadas se muestran en rectángulos. Los residuos y las variaciones se dibujan como flechas de dos puntas (que se muestran aquí) o flechas simples y un círculo (no se usan aquí). Tenga en cuenta que la varianza latente del coeficiente intelectual se fija en 1 para proporcionar escala al modelo. La Figura 1 muestra los errores de medición que influyen en cada indicador de inteligencia latente y cada indicador de logro latente. Ni los indicadores ni los errores de medición de los indicadores se modelan como influyentes en las variables latentes, pero podrían hacerlo si el investigador optara por modelarlos.

El modelado de ecuaciones estructurales ( SEM ) es una etiqueta para un conjunto diverso de métodos utilizados por los científicos en la investigación tanto experimental como observacional en las ciencias, [1] negocios, [2] y otros campos. Se utiliza más en las ciencias sociales y del comportamiento. Una definición de SEM es difícil sin hacer referencia a un lenguaje altamente técnico, pero un buen punto de partida es el nombre en sí.

SEM implica la construcción de un modelo , una representación informativa de algún fenómeno observable o teórico. En este modelo, se teoriza que diferentes aspectos de un fenómeno se relacionan entre sí con una estructura . Esta estructura es un sistema de ecuaciones, pero generalmente se diseña en papel o usando una computadora con flechas y símbolos (también conocida como notación de ruta como se muestra en la Figura 1). La estructura implica relaciones estadísticas y, a menudo, causales entre variables, términos de error y puede incluir múltiples ecuaciones. La ecuación (o ecuaciones) en SEM son matemáticas y estadísticaspropiedades que están implícitas en el modelo y sus características estructurales, y luego se estiman con algoritmos estadísticos (generalmente basados ​​en álgebra matricial y modelos lineales generalizados ) utilizando datos experimentales u observacionales.

Las críticas a los métodos SEM apuntan a problemas de formulación matemática, una tendencia a aceptar modelos sin establecer una validez externa y un sesgo filosófico inherente a los procedimientos estándar. [3]

Aunque no siempre hay límites claros de lo que es y lo que no es SEM, [4] generalmente involucra modelos de ruta (ver también análisis de ruta ) y modelos de medición (ver también análisis factorial ) y siempre emplea modelos estadísticos y programas de computadora para investigar el conexiones estructurales entre las variables latentes subyacentes a las variables reales tomadas de los datos observados. [5]

El kit de herramientas SEM incluye análisis confirmatorio factor de , análisis compuesto de confirmación , análisis de ruta , el modelado multi-grupo, modelado longitudinal, mínimos cuadrados de modelado ruta parcial , modelos de crecimiento latente y modelado jerárquico o multi-nivel. [5] El uso de SEM está comúnmente justificado en las ciencias sociales porque es una forma de identificar variables latentes que se cree que existen, pero que no se pueden observar directamente en la realidad. [5] [6] [7]

Los investigadores que utilizan SEM emplean programas de software (como Mplus , lavaan (en R ), LISREL , SPSS , Stata ) para estimar la fuerza y ​​el signo de un coeficiente para cada flecha modelada (los números que se muestran en la Figura 1, por ejemplo), y para proporcionar pistas de diagnóstico que sugieren qué indicadores o componentes del modelo pueden producir inconsistencias entre el modelo y los datos. 

Un modelo hipotético que sugiere que la inteligencia (medida por cuatro preguntas) puede predecir el rendimiento académico (medido por SAT, ACT y GPA de la escuela secundaria) se muestra en la Figura 1. El concepto de inteligencia humana no se puede medir directamente de la manera en que uno Podría medir la altura o el peso. En cambio, los investigadores tienen una teoría y conceptualización de la inteligencia y luego diseñan instrumentos de medición como un cuestionario o una prueba que les proporciona múltiples indicadores de inteligencia. Luego, estos indicadores se combinan en un modelo para crear una forma plausible de medir la inteligencia como una variable latente (el círculo para la inteligencia en la Figura 1) a partir de los indicadores (casillas cuadradas con escala 1-4 en la Figura 1). [8]

En los diagramas SEM, las variables latentes se muestran comúnmente como óvalos y las variables observadas como rectángulos. El diagrama anterior muestra cómo el error (e) influye en cada pregunta de inteligencia y en los puntajes del SAT, ACT y GPA, pero no influye en las variables latentes. Al aplicar este modelo a los datos observados generados a partir de los instrumentos, el investigador puede recuperar una medida de inteligencia y académica por cada individuo observado con los instrumentos con un margen de error que está implícito en los instrumentos. Luego, el investigador puede usar la inteligencia para probar una hipótesis, por ejemplo, que la inteligencia causa el desempeño académico (que es otra variable latente en la Figura 1) definida por un modelo de trayectoria que dibuja una flecha desde la inteligencia al desempeño.La Figura 1 es, por tanto, un ejemplo general de un SEM que implica la medición de variables latentes y la estimación de un efecto hipotético entre al menos una variable latente y otra variable observada o latente (en este caso, rendimiento académico latente).

Una gran ventaja de SEM es que todas estas mediciones y pruebas ocurren simultáneamente en un procedimiento de estimación estadística, donde los errores en todo el modelo se calculan utilizando toda la información del modelo. Esto significa que los errores son más precisos que si un investigador calculara cada parte del modelo por separado. [9]

Historia

El modelado de ecuaciones estructurales (SEM) tiene sus raíces en el trabajo de Sewall Wright, quien aplicó interpretaciones causales explícitas a las ecuaciones de regresión basadas en los efectos directos e indirectos de las variables observadas en la genética de poblaciones. [10] [11] Lee M. Wolfle compiló una historia bibliográfica anotada del método del coeficiente de ruta de Sewall Wright que hoy conocemos como modelado de ruta . [12]Wright agregó dos elementos importantes a la práctica estándar de usar la regresión para predecir un resultado. Estos fueron (1) para combinar información de más de una ecuación de regresión utilizando (2) un enfoque causal para el modelado de regresión en lugar de meramente predictivo. Sewall Wright consolidó su método de análisis de ruta en su artículo de 1934 "El método de los coeficientes de ruta". [13]

Otis Dudley Duncan introdujo el SEM en las ciencias sociales en 1975 [14] y floreció durante los años setenta y ochenta. Enfoques de modelado diferentes pero relacionados matemáticamente desarrollados en psicología, sociología y economía. La convergencia de dos de estas corrientes de desarrollo (análisis de factores de la psicología y análisis de caminos de la sociología a través de Duncan) produjo el núcleo actual de SEM, aunque existe una gran superposición con las prácticas econométricas que emplean ecuaciones simultáneas y exógenas (variables causales). [15] [16]

Uno de los varios programas que Karl Gustav Jöreskog desarrolló a principios de la década de 1970 en Educational Testing Services ( LISREL ) incorporó variables latentes (que los psicólogos conocían como factores latentes del análisis factorial) dentro de ecuaciones de estilo de análisis de trayectoria (que los sociólogos habían heredado de Wright y Duncan). ). [17] La parte estructurada por factores del modelo incorporó errores de medición y, por lo tanto, permitió la estimación ajustada por errores de medición de los efectos que conectan las variables latentes.

Se ha utilizado una terminología suelta y confusa para ocultar las debilidades de los métodos. En particular, PLS-PA (también conocido como PLS-PM) se ha combinado con la regresión de mínimos cuadrados parciales PLSR, que es un sustituto de la regresión de mínimos cuadrados ordinarios y no tiene nada que ver con el análisis de ruta. PLS-PA se ha promocionado falsamente como un método que funciona con pequeños conjuntos de datos cuando fallan otros enfoques de estimación; de hecho, se ha demostrado que los tamaños de muestra mínimos requeridos para este método son consistentes con los requeridos en la regresión múltiple. [18]

Tanto LISREL como PLS-PA fueron concebidos como algoritmos informáticos iterativos, con un énfasis desde el principio en la creación de una interfaz gráfica y de entrada de datos accesible y una extensión del análisis de ruta de Wright (1921). Los primeros trabajos de la Comisión Cowles en la estimación de ecuaciones simultáneas se centraron en los algoritmos de Koopman y Hood (1953) de la economía del transporte y el enrutamiento óptimo, con estimación de máxima verosimilitud y cálculos algebraicos de forma cerrada, ya que las técnicas de búsqueda de soluciones iterativas eran limitadas en los días anteriores a las computadoras.

Anderson y Rubin (1949, 1950) desarrollaron el estimador de máxima verosimilitud de información limitada para los parámetros de una única ecuación estructural, que incluía indirectamente el estimador de mínimos cuadrados de dos etapas y su distribución asintótica (Anderson, 2005) y Farebrother (1999). Los mínimos cuadrados de dos etapas se propusieron originalmente como un método para estimar los parámetros de una sola ecuación estructural en un sistema de ecuaciones lineales simultáneas, siendo introducido por Theil (1953a, 1953b, 1961) y más o menos independientemente por Basmann (1957) y Sargan(1958). La estimación de máxima verosimilitud de información limitada de Anderson finalmente se implementó en un algoritmo de búsqueda por computadora, donde compitió con otros algoritmos SEM iterativos. De estos, el método de mínimos cuadrados en dos etapas fue, con mucho, el método más utilizado en los años sesenta y principios de los setenta.

Los enfoques de sistemas de ecuaciones de regresión se desarrollaron en la Comisión Cowles a partir de la década de 1950, ampliando el modelo de transporte de Tjalling Koopmans. Sewall Wright y otros estadísticos intentaron promover métodos de análisis de ruta en Cowles (entonces en la Universidad de Chicago). Los estadísticos de la Universidad de Chicago identificaron muchas fallas en las aplicaciones del análisis de trayectorias en las ciencias sociales; fallas que no plantearon problemas significativos para identificar la transmisión de genes en el contexto de Wright, pero que hicieron que los métodos de ruta como PLS-PA y LISREL fueran problemáticos en las ciencias sociales. Freedman (1987) resumió estas objeciones en análisis de caminos: "falla en distinguir entre supuestos causales, implicaciones estadísticas,y las afirmaciones de política ha sido una de las principales razones de la sospecha y la confusión en torno a los métodos cuantitativos en las ciencias sociales "(véase también la respuesta de Wold (1987)). El análisis de la trayectoria de Wright nunca ganó un gran número de seguidores entre los econometristas estadounidenses, pero tuvo éxito en influir Hermann Wold y su alumno Karl Jöreskog, el alumno de Jöreskog, Claes Fornell, promovió LISREL en Estados Unidos.

Los avances en las computadoras facilitaron a los principiantes la aplicación de métodos de ecuaciones estructurales en el análisis intensivo de computadoras de grandes conjuntos de datos en problemas complejos y no estructurados. Las técnicas de solución más populares se dividen en tres clases de algoritmos: (1) algoritmos de mínimos cuadrados ordinarios aplicados independientemente a cada ruta, como los que se aplican en los llamados paquetes de análisis de ruta PLS que estiman con OLS; (2) algoritmos de análisis de covarianza que evolucionan a partir del trabajo fundamental de Wold y su alumno Karl Jöreskog implementados en LISREL, AMOS y EQS; y (3) algoritmos de regresión de ecuaciones simultáneas desarrollados en la Comisión Cowles por Tjalling Koopmans.

Pearl [19] ha extendido SEM de modelos lineales a no paramétricos, y ha propuesto interpretaciones causales y contrafácticas de las ecuaciones. Por ejemplo, excluir una variable Z de los argumentos de una ecuación afirma que la variable dependiente es independiente de las intervenciones en la variable excluida, una vez que mantenemos constantes los argumentos restantes. Los SEM no paramétricos permiten estimar los efectos totales, directos e indirectos sin comprometerse con la forma de las ecuaciones ni con las distribuciones de los términos de error. Esto extiende el análisis de mediación a sistemas que involucran variables categóricas en presencia de interacciones no lineales. Bollen y Pearl [20] examinan la historia de la interpretación causal del SEM y por qué se ha convertido en una fuente de confusiones y controversias.

Los métodos de análisis de ruta SEM son populares en las ciencias sociales debido a su accesibilidad; Los programas de computadora empaquetados permiten a los investigadores obtener resultados sin el inconveniente de comprender el diseño y el control experimental, los tamaños de las muestras y los efectos, y muchos otros factores que forman parte de un buen diseño de investigación. Los partidarios dicen que esto refleja una interpretación holística, y menos descaradamente causal, de muchos fenómenos del mundo real, especialmente en psicología e interacción social, que la que se puede adoptar en las ciencias naturales; los detractores sugieren que se han extraído muchas conclusiones erróneas debido a esta falta de control experimental.

La dirección en los modelos de red dirigida de SEM surge de supuestos supuestos de causa-efecto supuestos sobre la realidad. Las interacciones sociales y los artefactos son a menudo epifenómenos: fenómenos secundarios que son difíciles de vincular directamente con factores causales. Un ejemplo de un epifenómeno fisiológico es, por ejemplo, el tiempo para completar un sprint de 100 metros. Una persona puede mejorar su velocidad de sprint de 12 a 11 segundos, pero será difícil atribuir esa mejora a factores causales directos, como dieta, actitud, clima, etc. La mejora de 1 segundo en el tiempo de sprint es un epifenómeno - el producto holístico de la interacción de muchos factores individuales.

Enfoque general de SEM

Aunque cada técnica de la familia SEM es diferente, los siguientes aspectos son comunes a muchos métodos SEM, ya que muchos estudiosos de SEM como Alex Liu pueden resumirlo como un marco 4E , es decir 1) Ecuación (especificación del modelo o ecuación), 2 ) Estimación de parámetros libres, 3) Evaluación de modelos y ajuste del modelo, 4) Explicación y comunicación, así como ejecución de resultados.

Especificación del modelo

En SEM se distinguen dos componentes principales de los modelos: el modelo estructural que muestra las posibles dependencias causales entre las variables endógenas y exógenas, y el modelo de medición que muestra las relaciones entre las variables latentes y sus indicadores. Los modelos de análisis factorial exploratorio y confirmatorio , por ejemplo, contienen solo la parte de medición, mientras que los diagramas de ruta pueden verse como SEM que contienen solo la parte estructural.

Al especificar las vías en un modelo, el modelador puede postular dos tipos de relaciones: (1) vías libres , en las que se prueban relaciones causales (de hecho contrafácticas) hipotéticas entre variables y, por lo tanto, se dejan 'libres' para variar, y (2 ) relaciones entre variables que ya tienen una relación estimada, generalmente basada en estudios previos, que son 'fijos' en el modelo.

Un modelador a menudo especificará un conjunto de modelos teóricamente plausibles para evaluar si el modelo propuesto es el mejor del conjunto de modelos posibles. El modelador no solo debe tener en cuenta las razones teóricas para construir el modelo tal como es, sino que también debe tener en cuenta el número de puntos de datos y el número de parámetros que el modelo debe estimar para identificar el modelo.

Un modelo identificado es un modelo en el que un valor de parámetro específico identifica de manera única el modelo ( definición recursiva ), y no se puede dar ninguna otra formulación equivalente por un valor de parámetro diferente. Un punto de datoses una variable con puntajes observados, como una variable que contiene los puntajes de una pregunta o el número de veces que los encuestados compran un automóvil. El parámetro es el valor de interés, que puede ser un coeficiente de regresión entre la variable exógena y endógena o la carga de factores (coeficiente de regresión entre un indicador y su factor). Si hay menos puntos de datos que el número de parámetros estimados, el modelo resultante es "no identificado", ya que hay muy pocos puntos de referencia para dar cuenta de toda la varianza en el modelo. La solución es restringir una de las rutas a cero, lo que significa que ya no es parte del modelo.

Estimación de parámetros libres

La estimación de parámetros se realiza comparando las matrices de covarianza reales que representan las relaciones entre las variables y las matrices de covarianza estimadas del modelo de mejor ajuste. Esto se obtiene mediante la maximización numérica a través de la maximización de la expectativa de un criterio de ajuste proporcionado por la estimación de máxima verosimilitud , la estimación de cuasi máxima verosimilitud , los mínimos cuadrados ponderados o métodos sin distribución asintóticamente. Esto a menudo se logra mediante el uso de un programa de análisis SEM especializado, del cual existen varios.

Evaluación de modelos y ajuste del modelo

Habiendo estimado un modelo, los analistas querrán interpretar el modelo. Las rutas estimadas pueden tabularse y / o presentarse gráficamente como un modelo de ruta. El impacto de las variables se evalúa utilizando reglas de rastreo de ruta (ver análisis de ruta ).

Es importante examinar el "ajuste" de un modelo estimado para determinar qué tan bien modela los datos. Esta es una tarea básica en el modelado SEM, que forma la base para aceptar o rechazar modelos y, más generalmente, aceptar un modelo competidor sobre otro. El resultado de los programas SEM incluye matrices de las relaciones estimadas entre las variables del modelo. La evaluación del ajuste básicamente calcula qué tan similares son los datos predichos a las matrices que contienen las relaciones en los datos reales.

Se han desarrollado pruebas estadísticas formales e índices de ajuste para estos fines. Los parámetros individuales del modelo también se pueden examinar dentro del modelo estimado para ver qué tan bien el modelo propuesto se ajusta a la teoría de conducción. La mayoría de los métodos de estimación, aunque no todos, hacen posibles tales pruebas del modelo.

Por supuesto, como en todas las pruebas de hipótesis estadísticas , las pruebas del modelo SEM se basan en el supuesto de que se han modelado los datos relevantes correctos y completos. En la literatura SEM, la discusión del ajuste ha llevado a una variedad de recomendaciones diferentes sobre la aplicación precisa de los diversos índices de ajuste y pruebas de hipótesis.

Existen diferentes enfoques para evaluar el ajuste. Los enfoques tradicionales para el modelado comienzan desde una hipótesis nula , recompensando modelos más parsimoniosos (es decir, aquellos con menos parámetros libres), a otros como AIC que se enfocan en cuán poco los valores ajustados se desvían de un modelo saturado [ cita requerida ] (es decir, qué tan bien reproducir los valores medidos), teniendo en cuenta el número de parámetros libres utilizados. Debido a que diferentes medidas de ajuste capturan diferentes elementos del ajuste del modelo, es apropiado informar una selección de diferentes medidas de ajuste. Las pautas (es decir, "puntuaciones de corte") para interpretar las medidas de ajuste, incluidas las que se enumeran a continuación, son objeto de mucho debate entre los investigadores de SEM. [21]

Algunas de las medidas de ajuste más utilizadas incluyen:

  • Chi-cuadrado
    • Una medida fundamental de ajuste utilizada en el cálculo de muchas otras medidas de ajuste. Conceptualmente es una función del tamaño de la muestra y la diferencia entre la matriz de covarianza observada y la matriz de covarianza del modelo.
  • Criterio de información de Akaike (AIC)
    • Una prueba de ajuste relativo del modelo: el modelo preferido es el que tiene el valor de AIC más bajo.
    • donde k es el número de parámetros en el modelo estadístico y L es el valor maximizado de la probabilidad del modelo.
  • Error cuadrático medio de aproximación (RMSEA)
    • Índice de ajuste donde un valor de cero indica el mejor ajuste. [22] Si bien la directriz para determinar un "ajuste perfecto" utilizando RMSEA es muy controvertida, [23] la mayoría de los investigadores coinciden en que un RMSEA de 0,1 o más indica un ajuste deficiente. [24] [25]
  • Residual medio de la raíz estandarizada (SRMR)
    • El SRMR es un indicador de ajuste absoluto popular. Hu y Bentler (1999) sugirieron .08 o menos como guía para un buen ajuste. [26] Kline (2011) sugirió .1 o menos como guía para un buen ajuste.
  • Índice de ajuste comparativo (CFI)
    • Al examinar las comparaciones de línea de base, el CFI depende en gran parte del tamaño promedio de las correlaciones en los datos. Si la correlación promedio entre variables no es alta, entonces el CFI no será muy alto. Es deseable un valor CFI de .95 o superior. [26]

Para cada medida de ajuste, la decisión de qué representa un ajuste suficientemente bueno entre el modelo y los datos debe reflejar otros factores contextuales como el tamaño de la muestra , la proporción de indicadores a factores y la complejidad general del modelo. Por ejemplo, las muestras muy grandes hacen que la prueba de chi-cuadrado sea demasiado sensible y es más probable que indique una falta de ajuste de los datos del modelo. [27]

Modificación de modelo

Es posible que sea necesario modificar el modelo para mejorar el ajuste, estimando así las relaciones más probables entre las variables. Muchos programas proporcionan índices de modificación que pueden guiar modificaciones menores. Los índices de modificación informan el cambio en χ² que resulta de la liberación de parámetros fijos: generalmente, por lo tanto, se agrega una ruta a un modelo que actualmente está establecido en cero. Las modificaciones que mejoran el ajuste del modelo se pueden marcar como posibles cambios que se pueden realizar en el modelo. Las modificaciones de un modelo, especialmente el modelo estructural, son cambios en la teoría que se afirma que es cierta. Por lo tanto, las modificaciones deben tener sentido en términos de la teoría que se está probando, o ser reconocidas como limitaciones de esa teoría. Los cambios en el modelo de medición son, efectivamente, afirmaciones de que los elementos / datos son indicadores impuros de las variables latentes especificadas por la teoría.[28]

Los modelos no deben estar dirigidos por MI, como demostró Maccallum (1986): "incluso en condiciones favorables, los modelos que surgen de las búsquedas de especificaciones deben considerarse con cautela". [29]

Tamaño y potencia de la muestra

Si bien los investigadores están de acuerdo en que se requieren tamaños de muestra grandes para proporcionar suficiente poder estadístico y estimaciones precisas utilizando SEM, no existe un consenso general sobre el método apropiado para determinar el tamaño de muestra adecuado. [30] [31] Generalmente, las consideraciones para determinar el tamaño de la muestra incluyen el número de observaciones por parámetro, el número de observaciones necesarias para que los índices de ajuste funcionen adecuadamente y el número de observaciones por grado de libertad. [30] Los investigadores han propuesto directrices basadas en estudios de simulación, [32] experiencia profesional [33] y fórmulas matemáticas. [31] [34]

Los requisitos de tamaño de la muestra para lograr una significación y potencia particular en la prueba de hipótesis SEM son similares para el mismo modelo cuando se utiliza cualquiera de los tres algoritmos (PLS-PA, LISREL o sistemas de ecuaciones de regresión) para la prueba. [ cita requerida ]

Explicación y comunicación

Luego, el conjunto de modelos se interpreta de modo que se puedan hacer afirmaciones sobre los constructos, basándose en el modelo que mejor se ajusta.

Siempre se debe tener cuidado al hacer afirmaciones de causalidad, incluso cuando se han realizado experimentos o estudios ordenados en el tiempo. El término modelo causal debe entenderse como "un modelo que transmite supuestos causales", no necesariamente un modelo que produce conclusiones causales validadas. La recopilación de datos en múltiples puntos de tiempo y el uso de un diseño experimental o cuasi-experimental puede ayudar a descartar ciertas hipótesis rivales, pero incluso un experimento aleatorio no puede descartar todas esas amenazas a la inferencia causal. El buen ajuste de un modelo consistente con una hipótesis causal implica invariablemente un ajuste igualmente bueno de otro modelo consistente con una hipótesis causal opuesta. Ningún diseño de investigación, no importa cuán inteligente sea, puede ayudar a distinguir tales hipótesis rivales, salvo los experimentos de intervención. [19]

Como en cualquier ciencia, la replicación posterior y tal vez la modificación procederá del hallazgo inicial.

Usos avanzados

  • Invariancia de medida
  • Modelado de grupos múltiples: esta es una técnica que permite la estimación conjunta de múltiples modelos, cada uno con diferentes subgrupos. Las aplicaciones incluyen la genética del comportamiento y el análisis de las diferencias entre grupos (por ejemplo, género, culturas, formularios de prueba escritos en diferentes idiomas, etc.).
  • Modelado de crecimiento latente
  • Modelo no lineal de efectos mixtos
  • Modelos jerárquicos / multinivel ; modelos de teoría de respuesta al ítem
  • Modelo de mezcla (clase latente) SEM
  • Técnicas alternativas de estimación y prueba
  • Inferencia robusta
  • Análisis de muestreo de encuestas
  • Modelos multimétodo de rasgos múltiples
  • Árboles del modelo de ecuaciones estructurales

Software específico de SEM

Existen varios paquetes de software para ajustar modelos de ecuaciones estructurales. LISREL fue el primer software de este tipo, lanzado inicialmente en la década de 1970.

También hay varios paquetes para el entorno estadístico de código abierto R. El paquete OpenMx R proporciona una versión mejorada y de código abierto de la aplicación Mx. Otro paquete R de código abierto para SEM es lavaan. [35]

Los académicos consideran que es una buena práctica informar qué paquete de software y versión se usó para el análisis SEM porque tienen diferentes capacidades y pueden usar métodos ligeramente diferentes para realizar técnicas con nombres similares. [36]

Ver también

  • Modelo causal
  • Modelo grafico
  • Estadística multivariante
  • Modelado de ruta de mínimos cuadrados parciales
  • Regresión de mínimos cuadrados parciales
  • Modelo de ecuaciones simultáneas
  • Ecuaciones estructurales con variables latentes
  • Mapa causal

Referencias

  1. ^ Boslaugh, Sarah; McNutt, Louise-Anne (2008). "Modelos de ecuaciones estructurales". Enciclopedia de epidemiología . doi : 10.4135 / 9781412953948.n443 . hdl : 2022/21973 . ISBN 978-1-4129-2816-8.
  2. ^ Shelley, Mack C (2006). "Modelos de ecuaciones estructurales". Enciclopedia de liderazgo y administración educativos . doi : 10.4135 / 9781412939584.n544 . ISBN 978-0-7619-3087-7.
  3. ↑ Tarka, Piotr (2017). "Una visión general del modelado de ecuaciones estructurales: sus inicios, desarrollo histórico, utilidad y controversias en las ciencias sociales" . Calidad y cantidad . 52 (1): 313–54. doi : 10.1007 / s11135-017-0469-8 . PMC 5794813 . PMID 29416184 .  
  4. ↑ Curran, Patrick J. (1 de octubre de 2003). "¿Los modelos multinivel han sido modelos de ecuaciones estructurales todo el tiempo?". Investigación conductual multivariante . 38 (4): 529–569. doi : 10.1207 / s15327906mbr3804_5 . ISSN 0027-3171 . PMID 26777445 . S2CID 7384127 .   
  5. ↑ a b c Kline, Rex B. (2016). Principios y práctica del modelado de ecuaciones estructurales (4ª ed.). Nueva York. ISBN 978-1-4625-2334-4. OCLC  934184322 .
  6. ^ Bollen, Kenneth A. (1989). Ecuaciones estructurales con variables latentes . Nueva York: Wiley. ISBN 0-471-01171-1. OCLC  18834634 .
  7. ^ Kaplan, David (2009). Modelado de ecuaciones estructurales: cimentaciones y ampliaciones (2ª ed.). Los Ángeles: SAGE. ISBN 978-1-4129-1624-0. OCLC  225852466 .
  8. ^ Salkind, Neil J. (2007). "Pruebas de inteligencia". Enciclopedia de Medición y Estadística . doi : 10.4135 / 9781412952644.n220 . ISBN 978-1-4129-1611-0.
  9. ^ MacCallum y Austin 2000 , p. 209.
  10. ↑ Wright, S. (1 de junio de 1920). "La importancia relativa de la herencia y el medio ambiente en la determinación del patrón pío de los conejillos de Indias" . Actas de la Academia Nacional de Ciencias . 6 (6): 320–332. Código bibliográfico : 1920PNAS .... 6..320W . doi : 10.1073 / pnas.6.6.320 . ISSN 0027-8424 . PMC 1084532 . PMID 16576506 .   
  11. ^ Wright, Sewall (1921). "Revista de Investigación Agrícola" . Revista de Investigación Agrícola . 20 (1): 557–585 - a través del USDA.
  12. ^ Wolfle, Lee M. (1999). "Sewall wright sobre el método de los coeficientes de ruta: una bibliografía comentada" . Modelado de ecuaciones estructurales: una revista multidisciplinaria . 6 (3): 280-291. doi : 10.1080 / 10705519909540134 . ISSN 1070-5511 . 
  13. ^ Wright, Sewall (1934). "El método de los coeficientes de ruta" . Los Anales de Estadística Matemática . 5 (3): 161–215. doi : 10.1214 / aoms / 1177732676 . ISSN 0003-4851 . JSTOR 2957502 .  
  14. ^ Duncan, Otis Dudley (1975). Introducción a los modelos de ecuaciones estructurales . Nueva York: Academic Press. ISBN 0-12-224150-9. OCLC  1175858 .
  15. ^ Cristo, Carl F. (1994). "Contribuciones de la Comisión Cowles a la econometría en Chicago, 1939-1955" . Revista de Literatura Económica . 32 (1): 30–59. ISSN 0022-0515 . JSTOR 2728422 .  
  16. ^ Westland, J. Christopher (2015). Modelado de ecuaciones estructurales: de caminos a redes . Nueva York: Springer.
  17. ^ Jöreskog, Karl Gustav; van Thillo, Mariella (1972). "LISREL: un programa informático general para estimar un sistema de ecuación estructural lineal que implica múltiples indicadores de variables no medidas" (PDF) . Boletín de investigación: Oficina de Educación . ETS-RB-72-56: a través del gobierno de EE. UU.
  18. ^ Kock, N. y Hadaya, P. (2018). Estimación del tamaño mínimo de la muestra en PLS-SEM: Los métodos de raíz cuadrada inversa y exponencial gamma . Revista de sistemas de información, 28 (1), 227–261.
  19. ↑ a b Pearl, Judea (2000). Causalidad: modelos, razonamiento e inferencia . Prensa de la Universidad de Cambridge . ISBN 978-0-521-77362-1.
  20. ^ Bollen, Kenneth A; Pearl, Judea (2013). "Ocho mitos sobre la causalidad y los modelos de ecuaciones estructurales". Manual de análisis causal para la investigación social . Manuales de Sociología e Investigación Social. págs. 301-28. doi : 10.1007 / 978-94-007-6094-3_15 . ISBN 978-94-007-6093-6.
  21. ^ MacCallum y Austin 2000 , p. 218-219.
  22. ^ Kline 2011 , p. 205.
  23. ^ Kline 2011 , p. 206.
  24. ^ Hu y Bentler 1999 , p. 11.
  25. ^ Browne, MW; Cudeck, R. (1993). "Formas alternativas de evaluar el ajuste del modelo". En Bollen, KA; Long, JS (eds.). Prueba de modelos de ecuaciones estructurales . Newbury Park, CA: Sage.
  26. ↑ a b Hu y Bentler , 1999 , p. 27.
  27. ^ Kline 2011 , p. 201.
  28. ^ Loehlin, JC (2004). Modelos de variables latentes: una introducción al análisis factorial, de ruta y de ecuaciones estructurales . Prensa de psicología.
  29. ^ MacCallum, Robert (1986). "Búsquedas de especificación en el modelado de estructuras de covarianza". Boletín psicológico . 100 : 107-120. doi : 10.1037 / 0033-2909.100.1.107 .
  30. ↑ a b Quintana y Maxwell , 1999 , p. 499.
  31. ↑ a b Westland, J. Christopher (2010). "Límites inferiores del tamaño de la muestra en el modelado de ecuaciones estructurales". Electrón. Comm. Res. Apl . 9 (6): 476–487. doi : 10.1016 / j.elerap.2010.07.003 .
  32. ^ Chou, CP; Bentler, Peter (1995). "Estimaciones y pruebas en modelado de ecuaciones estructurales". En Hoyle, Rick (ed.). Modelado de ecuaciones estructurales: conceptos, problemas y aplicaciones . Thousand Oaks, CA: Sage. págs. 37–55.
  33. ^ Bentler, P. M; Chou, Chih-Ping (2016). "Problemas prácticos en el modelado estructural". Métodos e investigación sociológicos . 16 (1): 78-117. doi : 10.1177 / 0049124187016001004 . S2CID 62548269 . 
  34. ^ MacCallum, Robert C; Browne, Michael W; Sugawara, Hazuki M (1996). "Análisis de potencia y determinación del tamaño de la muestra para el modelado de estructuras de covarianza". Métodos psicológicos . 1 (2): 130–49. doi : 10.1037 / 1082-989X.1.2.130 .
  35. ↑ Rosseel, Yves (24 de mayo de 2012). "lavaan: un paquete R para el modelado de ecuaciones estructurales" . Revista de software estadístico . 48 (2): 1–36. doi : 10.18637 / jss.v048.i02 . Consultado el 27 de enero de 2021 .
  36. ^ Kline 2011 , p. 79-88.

Bibliografía

  • Hu, Li-tze; Bentler, Peter M (1999). "Criterios de corte para los índices de ajuste en el análisis de la estructura de covarianza: criterios convencionales frente a nuevas alternativas". Modelado de ecuaciones estructurales: una revista multidisciplinaria . 6 : 1-55. doi : 10.1080 / 10705519909540118 . hdl : 2027,42 / 139911 .
  • Kaplan, D. (2008). Modelado de ecuaciones estructurales: fundaciones y extensiones (2ª ed.). SABIO. ISBN 978-1412916240.
  • Kline, Rex (2011). Principios y práctica del modelado de ecuaciones estructurales (Tercera ed.). Guilford. ISBN 978-1-60623-876-9.
  • MacCallum, Robert; Austin, James (2000). "Aplicaciones del modelado de ecuaciones estructurales en la investigación psicológica" (PDF) . Revisión anual de psicología . 51 : 201–226. doi : 10.1146 / annurev.psych.51.1.201 . PMID  10751970 . Consultado el 25 de enero de 2015 .
  • Quintana, Stephen M .; Maxwell, Scott E. (1999). "Implicaciones de los desarrollos recientes en el modelado de ecuaciones estructurales para la psicología de la consejería". El psicólogo consejero . 27 (4): 485–527. doi : 10.1177 / 0011000099274002 . S2CID  145586057 .

Otras lecturas

  • Bagozzi, Richard P; Yi, Youjae (2011). "Especificación, evaluación e interpretación de modelos de ecuaciones estructurales". Revista de la Academia de Ciencias del Marketing . 40 (1): 8–34. doi : 10.1007 / s11747-011-0278-x . S2CID  167896719 .
  • Bartholomew, DJ y Knott, M. (1999) Modelos de variables latentes y análisis factorial Biblioteca de estadísticas de Kendall, vol. 7, Editores de Edward Arnold , ISBN 0-340-69243-X 
  • Bentler, PM y Bonett, DG (1980), "Pruebas de significación y bondad de ajuste en el análisis de estructuras de covarianza", Psychological Bulletin , 88, 588-606.
  • Bollen, KA (1989). Ecuaciones estructurales con variables latentes . Wiley, ISBN 0-471-01171-1 
  • Byrne, BM (2001) Modelado de ecuaciones estructurales con AMOS - Conceptos básicos, aplicaciones y programación .LEA, ISBN 0-8058-4104-0 
  • Goldberger, AS (1972). Modelos de ecuaciones estructurales en las ciencias sociales . Econometrica 40, 979-1001.
  • Haavelmo, Trygve (enero de 1943). "Las implicaciones estadísticas de un sistema de ecuaciones simultáneas". Econometrica . 11 (1): 1–12. doi : 10.2307 / 1905714 . JSTOR  1905714 .
  • Hoyle, RH (ed) (1995) Modelado de ecuaciones estructurales: conceptos, problemas y aplicaciones . SABIO, ISBN 0-8039-5318-6 
  • Jöreskog, Karl G .; Yang, Fan (1996). "Modelos de ecuaciones estructurales no lineales: el modelo de Kenny-Judd con efectos de interacción" . En Marcoulides, George A .; Schumacker, Randall E. (eds.). Modelado avanzado de ecuaciones estructurales: conceptos, problemas y aplicaciones . Thousand Oaks, CA: Publicaciones Sage. págs. 57–88. ISBN 978-1-317-84380-1.
  • Lewis-Beck, Michael; Bryman, Alan E .; Bryman, profesor emérito Alan; Liao, Tim Futing (2004). "Modelos de ecuaciones estructurales". La Enciclopedia SAGE de Métodos de Investigación en Ciencias Sociales . doi : 10.4135 / 9781412950589.n979 . hdl : 2022/21973 . ISBN 978-0-7619-2363-3.
  • Schermelleh-Engel, K .; Moosbrugger, H .; Müller, H. (2003), "Evaluación del ajuste de modelos de ecuaciones estructurales" (PDF) , Methods of Psychological Research , 8 (2): 23-74.

enlaces externos

  • Página de modelado de ecuaciones estructurales bajo StatNotes de David Garson, NCSU
  • Problemas y opinión sobre el modelado de ecuaciones estructurales , SEM en la investigación de SI
  • La interpretación causal de ecuaciones estructurales (o kit de supervivencia SEM) por Judea Pearl 2000.
  • Lista de referencia de modelado de ecuaciones estructurales por Jason Newsom : artículos de revistas y capítulos de libros sobre modelos de ecuaciones estructurales
  • Handbook of Management Scales , una colección de escalas de varios elementos utilizadas anteriormente para medir constructos para SEM
Obtenido de " https://en.wikipedia.org/w/index.php?title=Structural_equation_modeling&oldid=1057777203 "
Contribute a better translation