Skip to content
Torna ai risultati

Modellizzazione di Equazioni Strutturali

Introdotto da
Sewall Wright
Anno
1921
Tipo
Method
Famiglia
multivariate-modeling

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La modellizzazione di equazioni strutturali (SEM) è un quadro statistico completo che combina l'analisi dei percorsi (Sewall Wright, 1921) e l'analisi fattoriale confermativa per testare complessi modelli causali che collegano variabili osservate e latenti.

Formalizzata da Jöreskog (1973) con il software LISREL, la SEM consente la stima simultanea delle relazioni di misurazione (come le variabili misurano i costrutti latenti) e delle relazioni strutturali (come i costrutti influenzano gli esiti), rendendola potente per il test di teorie in psicologia, epidemiologia, ricerca organizzativa e scienze della salute, dove mediazione, moderazione e processi latenti complessi richiedono un'analisi integrata.

L’intuizione alla base del metodo

Molte domande di ricerca implicano complesse catene causali: una variabile X influisce sull'esito Y direttamente, o indirettamente attraverso il mediatore M? Più variabili osservate misurano un singolo costrutto latente? La SEM integra queste domande in un unico modello. Il quadro comprende due parti: (1) modello di misurazione: come le variabili osservate si relazionano ai costrutti latenti (carichi fattoriali), e (2) modello strutturale: come i costrutti si relazionano causalmente tra loro (coefficienti di percorso). A differenza della regressione (che ignora l'errore di misurazione) o della sola analisi fattoriale (che ignora le relazioni causali), la SEM stima i percorsi strutturali tenendo conto dell'errore di misurazione. Questo duplice approccio fornisce un'inferenza più valida sui processi sottostanti e consente test di effetti indiretti (mediazione), moderazione e relazioni reciproche.

Storia

Sewall Wright sviluppò l'analisi dei percorsi (1921) per scomporre le correlazioni in effetti causali diretti e indiretti in genetica. Karl Jöreskog unificò l'analisi dei percorsi con l'analisi fattoriale per creare la SEM, rilasciando il software LISREL (Linear Structural Relations) nel 1973, consentendo test di ipotesi complessi. EQS di Bentler (1985) e AMOS di Arbuckle (1995) resero la SEM più accessibile. Sviluppi moderni includono stime robuste (Yuan & Bentler, 2000), SEM multilivello (Hox & Maas, 2001), modelli strutturali dinamici (curve di crescita latenti; Bollen & Curran, 2006) e SEM Bayesiana (Lee, 2007).

Quando usarlo

Utilizzare la SEM quando si testano teorie multivariate complesse che coinvolgono mediazione, moderazione, costrutti latenti e causalità reciproca. Psicologia: testare se il coping cognitivo (latente) media l'effetto dello stress sulla depressione, o come la personalità influenzi il comportamento attraverso la motivazione. Epidemiologia: modellare percorsi di rischio di malattie (es. status socioeconomico → comportamenti salutari → esiti cardiovascolari). Ricerca organizzativa: testare se lo stile di leadership (misurato tramite più item) influenzi la performance attraverso l'engagement dei dipendenti (latente). Educazione: modellare gli effetti del clima scolastico (costrutto latente da resoconti di insegnanti e studenti) sull'achievement degli studenti. La SEM gestisce naturalmente le variabili latenti, rendendola ideale quando i costrutti sono astratti o misurati tramite indicatori multipli con errore.

Limiti e considerazioni

  • Richiede campioni ampi e disegno bilanciato: la stima dei parametri è instabile con n piccolo o caratteristiche campionarie estreme; n ≥ 100–200 minimo con variabili latenti multiple.
  • Assume una corretta specificazione a priori del modello: la SEM testa il modello specificato; una specificazione errata (percorsi omessi, direzione causale sbagliata) può adattarsi bene pur essendo errata (modelli equivalenti).
  • Possibilità di modelli equivalenti multipli: diverse strutture di percorso possono riprodurre la stessa matrice di covarianza; la SEM non può distinguerle senza teoria o vincoli aggiuntivi.
  • Dati non sperimentali non implicano causalità: i coefficienti di percorso rappresentano pesi di regressione, non effetti causali; confondimento, causalità inversa e bias di selezione minacciano ancora la validità.
  • Interazioni complesse e relazioni non lineari sono difficili da specificare e stimare nella SEM; tipicamente assume relazioni lineari.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Componenti di misurazione e strutturali integrati: stima simultaneamente come le variabili misurano i costrutti (validità) e come i costrutti si relazionano (test di teoria).
  • Tiene conto dell'errore di misurazione: i coefficienti di percorso sono corretti per l'inaffidabilità della misurazione, fornendo stime strutturali più valide rispetto alla regressione.
  • Testa relazioni complesse: mediazione, moderazione, effetti indiretti e causalità reciproca in un unico quadro coerente.
  • Flessibile per dati mancanti: la stima di massima verosimiglianza a informazione completa consente l'analisi con dati incompleti sotto l'assunzione MCAR.
  • Diagnostica completa dell'adattamento: indici multipli (CFI, RMSEA, residui) consentono una valutazione approfondita del modello e l'identificazione di specifiche fonti di inadeguato adattamento.

Applicazioni

  • Psicologia clinica: testare se l'esposizione a traumi influenzi la depressione attraverso schemi cognitivi negativi (mediazione); modellare dimensioni latenti della psicopatologia.
  • Sanità pubblica: valutare se interventi socio-ecologici influenzino i comportamenti salutari (es. coinvolgimento comunitario → conoscenza → cambiamento comportamentale → esiti sanitari).
  • Ricerca educativa: valutare se l'allocazione delle risorse scolastiche influenzi l'apprendimento degli studenti attraverso la qualità degli insegnanti e il clima scolastico (costrutto latente).
  • Comportamento organizzativo: testare se lo stile di leadership influenzi la performance organizzativa attraverso la motivazione e l'impegno dei dipendenti (mediatori latenti).
  • Ricerca sullo sviluppo longitudinale: modelli di curve di crescita latenti che tracciano come gli individui cambiano nel tempo, prevedendo le traiettorie dalle caratteristiche di base.

Come funziona

Come funziona

1

Somministrare la SEM mediante: (1) specificazione a priori del modello basata sulla teoria (disegnare o diagrammare la struttura causale ipotizzata), (2) definizione delle variabili latenti (costrutti astratti che si osservano indirettamente tramite variabili misurate) e dei loro indicatori, (3) specificazione dei percorsi strutturali (ipotesi causali che collegano variabili/costrutti), (4) raccolta di dati su tutte le variabili osservate (tipicamente continue; la SEM può gestire dati ordinali/categorici con stima appropriata), (5) garanzia di una dimensione campionaria adeguata (n ≥ 100 minimo, idealmente n ≥ 200; regola empirica: n > 10× numero di parametri stimati). Raccogliere dati con valori mancanti minimi; la stima di massima verosimiglianza a informazione completa (FIML) della SEM gestisce i dati mancanti sotto l'assunzione di dati mancanti completamente casuali (MCAR). Definire variabili esogene (cause, tipicamente non correlate) e variabili endogene (effetti, possono essere causate da altre variabili).

2

Stimare la SEM utilizzando la massima verosimiglianza (ML) o metodi di stima robusta (MLR per dati non normali). L'output include: (1) Coefficienti di percorso standardizzati (pesi di regressione tra variabili): direttamente comparabili tra percorsi; un coefficiente di 0.4 indica un effetto moderato. (2) Carichi fattoriali: correlazioni tra variabili latenti e i loro indicatori (≥0.5 accettabile, ≥0.7 forte). (3) Errori standard e statistiche z: per testare se i coefficienti differiscono significativamente da zero. (4) Effetti indiretti (mediazione): prodotto dei coefficienti di percorso lungo il/i percorso/i indiretto/i; testare tramite bootstrapping (≥1000 iterazioni). (5) R² per le variabili endogene: proporzione di varianza spiegata. (6) Indici di adattamento (fit indices): CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999). (7) Residui: i valori standardizzati dovrebbero essere vicini a zero; residui ampi indicano un inadeguato adattamento del modello a specifiche relazioni. (8) Indici di modifica (modification indices): suggeriscono percorsi alternativi; tuttavia, le modifiche guidate dai dati compromettono la validità—modificare solo sulla base della teoria.

3

Interpretare i coefficienti di percorso standardizzati come: un coefficiente di 0.5 per il percorso X→Y significa che un aumento di 1 deviazione standard (SD) in X predice un aumento di 0.5 SD in Y (effetto diretto), mantenendo costanti le altre variabili. Se il coefficiente p < 0.05, l'effetto è statisticamente significativo. Effetti indiretti: moltiplicare i coefficienti lungo il percorso di mediazione. Ad esempio, se il coefficiente X→M è 0.3 e M→Y è 0.4, l'effetto indiretto = 0.3×0.4 = 0.12; l'intervallo di confidenza al 95% ottenuto tramite bootstrap dovrebbe escludere zero per la significatività. Effetto totale = diretto + indiretto; confrontare con zero per valutare l'associazione complessiva. Adattamento del modello (model fit): soddisfare tutti i criteri di adattamento (CFI, RMSEA, ecc.) indica che il modello riproduce adeguatamente la struttura di covarianza osservata. Residui vicini a zero confermano l'adattamento a livello di singoli percorsi. Indici di modifica > 3.84 suggeriscono percorsi che potrebbero migliorare l'adattamento, ma l'aggiunta di percorsi ad hoc aumenta l'errore di tipo I; rispecificare i modelli solo sulla base di giustificazioni teoriche o validare su un campione indipendente.

Errori comuni

  • Modifica del modello guidata dai dati: l'aggiunta iterativa di percorsi basata sugli indici di modifica sfrutta il caso e produce modelli che potrebbero non replicarsi. Le modifiche devono essere giustificate teoricamente a priori o testate su un campione indipendente.
  • Ignorare il modello di misurazione: concentrarsi solo sui percorsi strutturali permettendo al contempo la stima libera dell'errore di misurazione; una misurazione inadeguata mina la validità strutturale.
  • Riportare l'adattamento del modello senza esaminare i residui: buoni indici di adattamento globale non garantiscono che tutti i percorsi si adattino bene. Esaminare i residui standardizzati e gli indici di modifica per identificare inadeguati adattamenti localizzati.
  • Trattare la SEM come confermativa quando usata in modo esplorativo: se il modello è stato derivato dai dati (specificazione post-hoc), riportarlo come esplorativo e validarlo su un campione indipendente.
  • Confondere significatività statistica e significatività pratica: un percorso significativo (p < 0.05) non significa che l'effetto sia grande o significativo. Riportare le dimensioni dell'effetto (coefficienti standardizzati) e gli intervalli di confidenza.
  • Sovraccaricare il modello con variabili latenti: troppi costrutti latenti rispetto agli indicatori e alla dimensione campionaria produce stime instabili; usare con cautela la SEM multigruppo o i modelli bifattoriali.

Domande frequenti

Qual è la differenza tra un effetto diretto e un effetto indiretto (mediazione)?

Un effetto diretto è il percorso da X a Y, che quantifica come X influenzi Y direttamente. Un effetto indiretto è il percorso X→M→Y, che quantifica come X influenzi Y attraverso il mediatore M. L'effetto indiretto è uguale al prodotto del percorso X→M per il percorso M→Y. Effetto totale = diretto + indiretto. La mediazione si verifica quando: (1) l'effetto diretto X→Y diminuisce dopo aver controllato per M, e (2) l'effetto indiretto X→M→Y è significativo (l'intervallo di confidenza bootstrap esclude zero). Mediazione completa: l'effetto diretto diventa non significativo dopo aver incluso il mediatore. Mediazione parziale: entrambi gli effetti, diretto e indiretto, sono significativi, il che significa che X influenzi Y attraverso più percorsi.

Come faccio a sapere se il mio modello si adatta bene? Cosa significano CFI e RMSEA?

L'adattamento del modello è giudicato da indici multipli (criteri di Hu & Bentler, 1999): CFI (Comparative Fit Index) confronta il tuo modello con un modello nullo (tutte le variabili non correlate); CFI > 0.95 indica un buon adattamento (range 0–1). RMSEA (Root Mean Square Error of Approximation) quantifica la discrepanza tra modello e dati per grado di libertà; RMSEA < 0.06 eccellente, 0.06–0.08 buono, >0.10 scarso (più vicino a zero è meglio). Sono raccomandati anche TLI > 0.95 e SRMR < 0.08. Soddisfare tutti i criteri simultaneamente indica un buon adattamento. Tuttavia, un buon adattamento globale non garantisce che tutti i percorsi si adattino bene; esaminare i residui standardizzati (dovrebbero essere < |2|) e gli indici di modifica.

Cos'è una variabile latente e come la misuro?

Una variabile latente è un costrutto non osservato (es. depressione, intelligenza, cultura organizzativa) misurato indirettamente attraverso indicatori osservati multipli (item di questionario, punteggi di test). Ogni indicatore riflette il costrutto latente più l'errore di misurazione. Nella SEM, si specifica quali variabili osservate misurano quali variabili latenti tramite i carichi fattoriali. Ad esempio, la variabile latente 'depressione' potrebbe essere misurata da item: tristezza, disperazione, disturbi del sonno (indicatori osservati). Ogni carico fattoriale dovrebbe essere ≥0.5; se un indicatore ha un carico debole, considerare la sua rimozione o la riconcettualizzazione del costrutto latente.

Posso usare la SEM per stabilire la causalità da dati osservazionali?

No. La SEM stima le associazioni e testa se un modello causale ipotizzato riproduce la struttura di correlazione nei dati. I coefficienti di percorso rappresentano pesi di regressione (associazioni condizionali), non effetti causali. La causalità richiede: (1) precedenza temporale (X misurato prima di Y), (2) covariazione (X e Y correlano), (3) nessuna alternativa plausibile (confondimento, causalità inversa). La SEM osservazionale viola il criterio 3: variabili confondenti e cause non misurate minacciano la validità. Il solo adattamento statistico della SEM non può provare la causalità. Usare la SEM con teoria, evidenze qualitative e disegno dello studio (randomizzazione, variabili strumentali) per rafforzare l'inferenza causale. Considerare analisi di sensibilità che testano modelli alternativi.

Metodi correlati

Fonti

  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.

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.
  3. Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

    Apri il riferimento della pubblicazione
    Copiato.