Saltar al contenido
Volver a los resultados

Modelado de Ecuaciones Estructurales

Propuesto por
Sewall Wright
Año
1921
Tipo
Method
Familia
multivariate-modeling

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El modelado de ecuaciones estructurales (SEM, por sus siglas en inglés) es un marco estadístico integral que combina el análisis de senderos (Sewall Wright, 1921) y el análisis factorial confirmatorio para probar modelos causales complejos que vinculan variables observadas y latentes.

Formalizado por Jöreskog (1973) con el software LISREL, el SEM permite la estimación simultánea de relaciones de medición (cómo las variables miden constructos latentes) y relaciones estructurales (cómo los constructos influyen en los resultados), lo que lo hace potente para la prueba de teorías en psicología, epidemiología, investigación organizacional y ciencias de la salud, donde la mediación compleja, la moderación y los procesos latentes requieren un análisis integrado.

La intuición detrás del método

Muchas preguntas de investigación implican cadenas causales complejas: ¿afecta una variable X al resultado Y directamente, o indirectamente a través de un mediador M? ¿Miden múltiples variables observadas un único constructo latente? El SEM integra estas preguntas en un solo modelo. El marco incluye dos partes: (1) modelo de medición: cómo las variables observadas se relacionan con los constructos latentes (cargas factoriales), y (2) modelo estructural: cómo los constructos se relacionan causalmente entre sí (coeficientes de sendero). A diferencia de la regresión (que ignora el error de medición) o el análisis factorial solo (que ignora las relaciones causales), el SEM estima senderos estructurales teniendo en cuenta el error de medición. Este enfoque dual produce una inferencia más válida sobre los procesos subyacentes y permite pruebas de efectos indirectos (mediación), moderación y relaciones recíprocas.

Historia

Sewall Wright desarrolló el análisis de senderos (1921) para descomponer las correlaciones en efectos causales directos e indirectos en genética. Karl Jöreskog unificó el análisis de senderos con el análisis factorial para crear el SEM, lanzando el software LISREL (Linear Structural Relations) en 1973, lo que permitió pruebas de hipótesis complejas. EQS de Bentler (1985) y AMOS de Arbuckle (1995) hicieron el SEM más accesible. Los desarrollos modernos incluyen estimación robusta (Yuan & Bentler, 2000), SEM multinivel (Hox & Maas, 2001), modelos estructurales dinámicos (curvas de crecimiento latente; Bollen & Curran, 2006) y SEM bayesiano (Lee, 2007).

Cuándo usarlo

Utilice el SEM al probar teorías multivariadas complejas que involucran mediación, moderación, constructos latentes y causalidad recíproca. Psicología: probar si el afrontamiento cognitivo (latente) media el efecto del estrés en la depresión, o cómo la personalidad afecta el comportamiento a través de la motivación. Epidemiología: modelar vías de riesgo de enfermedades (p. ej., estatus socioeconómico → comportamientos de salud → resultados cardiovasculares). Investigación organizacional: probar si el estilo de liderazgo (medido a través de múltiples ítems) afecta el rendimiento a través del compromiso del empleado (latente). Educación: modelar los efectos del clima escolar (constructo latente de informes de profesores y estudiantes) en el rendimiento estudiantil. El SEM maneja variables latentes de forma natural, lo que lo hace ideal cuando los constructos son abstractos o se miden a través de múltiples indicadores con error.

Limitaciones y consideraciones

  • Requiere muestras grandes y diseño equilibrado: la estimación de parámetros es inestable con n pequeño o características de muestra extremas; n ≥ 100–200 como mínimo con múltiples variables latentes.
  • Asume una especificación correcta del modelo a priori: el SEM prueba el modelo especificado; una especificación incorrecta (senderos omitidos, dirección causal errónea) puede ajustarse bien a pesar de ser incorrecta (modelos equivalentes).
  • Son posibles múltiples modelos equivalentes: diferentes estructuras de senderos pueden reproducir la misma matriz de covarianza; el SEM no puede distinguirlos sin teoría o restricciones adicionales.
  • Los datos no experimentales no implican causalidad: los coeficientes de sendero representan pesos de regresión, no efectos causales; el sesgo de confusión, la causalidad inversa y el sesgo de selección aún amenazan la validez.
  • Las interacciones complejas y las relaciones no lineales son difíciles de especificar y estimar en el SEM; típicamente asume relaciones lineales.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Componentes de medición y estructurales integrados: estima simultáneamente cómo las variables miden los constructos (validez) y cómo se relacionan los constructos (prueba de teoría).
  • Tiene en cuenta el error de medición: coeficientes de sendero corregidos por la falta de fiabilidad en la medición, lo que produce estimaciones estructurales más válidas que la regresión.
  • Prueba relaciones complejas: mediación, moderación, efectos indirectos y causalidad recíproca en un marco coherente.
  • Flexible para datos perdidos: la máxima verosimilitud de información completa permite el análisis con datos incompletos bajo la suposición MCAR.
  • Diagnósticos completos de ajuste: múltiples índices (CFI, RMSEA, residuos) permiten una evaluación exhaustiva del modelo y la identificación de fuentes específicas de mal ajuste.

Aplicaciones

  • Psicología clínica: probar si la exposición a traumas afecta la depresión a través de patrones cognitivos negativos (mediación); modelar dimensiones latentes de psicopatología.
  • Salud pública: evaluar si las intervenciones socioecológicas afectan los comportamientos de salud (p. ej., compromiso comunitario → conocimiento → cambio de comportamiento → resultados de salud).
  • Investigación educativa: evaluar si la asignación de recursos escolares afecta el aprendizaje estudiantil a través de la calidad del profesor y el clima escolar (constructo latente).
  • Comportamiento organizacional: probar si el estilo de liderazgo afecta el rendimiento organizacional a través de la motivación y el compromiso de los empleados (mediadores latentes).
  • Investigación longitudinal del desarrollo: modelos de curvas de crecimiento latente que rastrean cómo cambian los individuos con el tiempo, prediciendo trayectorias a partir de características de referencia.

Cómo funciona

Cómo funciona

1

Administre el SEM mediante: (1) la especificación del modelo a priori basada en la teoría (dibuje o represente gráficamente la estructura causal hipotetizada), (2) la definición de variables latentes (constructos abstractos que se observan indirectamente a través de variables medidas) y sus indicadores, (3) la especificación de senderos estructurales (hipótesis causales que vinculan variables/constructos), (4) la recopilación de datos sobre todas las variables observadas (típicamente continuas; el SEM puede manejar datos ordinales/categóricos con la estimación apropiada), (5) la garantía de un tamaño de muestra adecuado (n ≥ 100 como mínimo, idealmente n ≥ 200; regla general: n > 10 × número de parámetros estimados). Recopile datos con valores perdidos mínimos; la máxima verosimilitud de información completa (FIML) del SEM maneja datos perdidos bajo la suposición de datos perdidos completamente al azar (MCAR). Defina variables exógenas (causas, típicamente no correlacionadas) y variables endógenas (efectos, pueden ser causadas por otras variables).

2

Estime el SEM utilizando la máxima verosimilitud (ML) o métodos de estimación robusta (MLR para datos no normales). La salida incluye: (1) Coeficientes de sendero estandarizados (pesos de regresión entre variables): comparables directamente entre senderos; un coeficiente de 0.4 indica un efecto moderado. (2) Cargas factoriales: correlaciones entre variables latentes y sus indicadores (≥0.5 aceptable, ≥0.7 fuerte). (3) Errores estándar y estadísticas z: para probar si los coeficientes difieren significativamente de cero. (4) Efectos indirectos (mediación): producto de los coeficientes de sendero a lo largo de la(s) ruta(s) indirecta(s); prueba mediante bootstrapping (≥1000 iteraciones). (5) R² para variables endógenas: proporción de varianza explicada. (6) Índices de ajuste: CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999). (7) Residuos: los valores estandarizados deben estar cerca de cero; residuos grandes indican un mal ajuste del modelo en relaciones específicas. (8) Índices de modificación: sugieren senderos alternativos; sin embargo, las modificaciones basadas en datos comprometen la validez; modifique solo basándose en la teoría.

3

Interprete los coeficientes de sendero estandarizados como: un coeficiente de 0.5 para el sendero X→Y significa que un aumento de 1 DE en X predice un aumento de 0.5 DE en Y (efecto directo), manteniendo constantes otras variables. Si el coeficiente p < 0.05, el efecto es estadísticamente significativo. Efectos indirectos: multiplique los coeficientes a lo largo del sendero mediador. Por ejemplo, si el coeficiente X→M es 0.3 y M→Y es 0.4, el efecto indirecto = 0.3 × 0.4 = 0.12; el IC del 95% de bootstrap debe excluir cero para la significancia. Efecto total = directo + indirecto; compare con cero para evaluar la asociación general. Ajuste del modelo: cumplir todos los criterios de ajuste (CFI, RMSEA, etc.) indica que el modelo reproduce adecuadamente la estructura de covarianza observada. Residuos cercanos a cero confirman el ajuste en senderos individuales. Los índices de modificación > 3.84 sugieren senderos que podrían mejorar el ajuste, pero agregar senderos ad hoc infla el error de Tipo I; vuelva a especificar modelos solo basándose en justificación teórica o valide cruzadamente en una muestra independiente.

Errores comunes

  • Modificación del modelo basada en datos: agregar senderos iterativamente basándose en índices de modificación capitaliza el azar y produce modelos que pueden no replicarse. Las modificaciones deben justificarse teóricamente a priori o probarse en una muestra independiente.
  • Ignorar el modelo de medición: centrarse solo en los senderos estructurales mientras se permite que el error de medición se estime libremente; una medición inadecuada socava la validez estructural.
  • Informar el ajuste del modelo sin examinar los residuos: los buenos índices de ajuste global no garantizan que todos los senderos se ajusten bien. Examine los residuos estandarizados y los índices de modificación para identificar el mal ajuste localizado.
  • Tratar el SEM como confirmatorio cuando se usa exploratoriamente: si el modelo se derivó de los datos (especificación post hoc), infórmelo como exploratorio y valídelo en una muestra independiente.
  • Confundir significancia estadística con significancia práctica: un sendero significativo (p < 0.05) no significa que el efecto sea grande o significativo. Informe los tamaños del efecto (coeficientes estandarizados) y los intervalos de confianza.
  • Saturar excesivamente el modelo con variables latentes: demasiados constructos latentes en relación con los indicadores y el tamaño de la muestra producen estimaciones inestables; use SEM multigrupo o modelos bifactoriales con precaución.

Preguntas frecuentes

¿Cuál es la diferencia entre un efecto directo y un efecto indirecto (mediación)?

Un efecto directo es el sendero de X a Y, que cuantifica cómo X influye directamente en Y. Un efecto indirecto es el sendero X→M→Y, que cuantifica cómo X influye en Y a través del mediador M. El efecto indirecto es igual al producto del sendero X→M por el sendero M→Y. Efecto total = directo + indirecto. Ocurre mediación cuando: (1) el efecto directo X→Y disminuye después de controlar M, y (2) el efecto indirecto X→M→Y es significativo (el IC de bootstrap excluye cero). Mediación completa: el efecto directo se vuelve no significativo después de incluir el mediador. Mediación parcial: ambos efectos, directo e indirecto, son significativos, lo que significa que X afecta a Y a través de múltiples senderos.

¿Cómo sé si mi modelo se ajusta bien? ¿Qué significan CFI y RMSEA?

El ajuste del modelo se juzga mediante múltiples índices (criterios de Hu & Bentler, 1999): CFI (Índice de Ajuste Comparativo) compara su modelo con un modelo nulo (todas las variables no correlacionadas); CFI > 0.95 indica buen ajuste (rango 0–1). RMSEA (Error Cuadrático Medio de la Raíz del Error de Aproximación) cuantifica la discrepancia entre el modelo y los datos por grado de libertad; RMSEA < 0.06 excelente, 0.06–0.08 bueno, >0.10 pobre (más cercano a cero es mejor). También se recomiendan TLI > 0.95 y SRMR < 0.08. Cumplir todos los criterios simultáneamente indica un buen ajuste. Sin embargo, un buen ajuste general no garantiza que todos los senderos se ajusten bien; examine los residuos estandarizados (deben ser < |2|) y los índices de modificación.

¿Qué es una variable latente y cómo la mido?

Una variable latente es un constructo no observado (p. ej., depresión, inteligencia, cultura organizacional) medido indirectamente a través de múltiples indicadores observados (ítems de cuestionario, puntuaciones de pruebas). Cada indicador refleja el constructo latente más el error de medición. En el SEM, usted especifica qué variables observadas miden qué variables latentes a través de las cargas factoriales. Por ejemplo, la variable latente 'depresión' podría medirse mediante los ítems: tristeza, desesperanza, alteración del sueño (indicadores observados). Cada carga debe ser ≥0.5; si un indicador carga débilmente, considere eliminarlo o reconceptualizar el constructo latente.

¿Puedo usar el SEM para establecer causalidad a partir de datos observacionales?

No. El SEM estima asociaciones y prueba si un modelo causal hipotetizado reproduce la estructura de correlación en los datos. Los coeficientes de sendero representan pesos de regresión (asociaciones condicionales), no efectos causales. La causalidad requiere: (1) precedencia temporal (X medido antes que Y), (2) covariación (X e Y se correlacionan), (3) sin alternativas plausibles (confusión, causalidad inversa). El SEM observacional viola el criterio 3: variables de confusión y causas no medidas amenazan la validez. El ajuste estadístico del SEM por sí solo no puede probar la causalidad. Use el SEM con teoría, evidencia cualitativa y diseño de estudio (aleatorización, variables instrumentales) para fortalecer la inferencia causal. Considere análisis de sensibilidad que prueben modelos alternativos.

Métodos relacionados

Fuentes

  1. Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.

    Abrir referencia de la publicación
    Copiado.
  2. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.

    Abrir referencia DOI
    Copiado.
  3. Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

    Abrir referencia de la publicación
    Copiado.