Vocero
|
Transcripción
|
| Laura Castro-Schilo |
Hola, soy Laura Castro-Schilo y bienvenida a esta sesión, donde aprenderemos el ABC del modelado de ecuaciones estructurales. |
| |
Y nuestro objetivo hoy es asegurarnos de que tenga las herramientas necesarias para especificar e interpretar modelos, utilizando la plataforma de modelos de ecuaciones estructurales en JMP Pro 16. |
| |
Y vamos a hacerlo, primero dando una breve introducción a SEM, simplemente contándoles qué es y, particularmente, aprovechando las conexiones que tiene con el análisis factorial y el análisis de regresión. |
| |
Y a lo largo del camino aprenderemos cómo los diagramas de ruta son herramientas esenciales para SEM. |
| |
Y vamos a intentar mantener esa introducción bastante breve, para que podamos centrarnos realmente en algunos ejemplos prácticos. |
| |
Entonces, antes de esos ejemplos, voy a presentar los datos que usaremos para esa demostración y estos datos son sobre percepciones de las amenazas de COVID 19. |
| |
Entonces, al observar esos datos, comenzaremos a aprender cómo especificamos e interpretamos nuestros modelos y lo haremos respondiendo preguntas específicas. |
| |
Esas preguntas nos van a llevar a hablar de modelos muy populares en SEM, siendo uno el análisis factorial confirmatorio y otro el análisis de regresión multivariante. |
| |
Y para concluir, le mostraremos un modelo en el que reunimos ambos análisis, para que realmente pueda ver cómo SEM es un marco muy flexible en el que puede adaptar sus propios modelos. |
| |
Bien, entonces SEM es un marco donde el análisis factorial y el análisis de regresión se unen, y en el lado del análisis factorial podemos obtener la capacidad de medir |
| |
incluso aquellas cosas que no podemos observar directamente, también conocidas como variables latentes. |
| |
Y desde el lado de la regresión podemos examinar las relaciones entre variables, ya sean observadas o no, y cuando juntas esas dos, obtienes SEM, que puedes imaginar, es un marco muy flexible en el que todo tipo de variables Los modelos se pueden ajustar. |
| |
Los diagramas de ruta son herramientas realmente útiles en SEM, y la razón es que los sistemas de ecuaciones que pueden ser, ya sabes, bastante complicados. |
| |
realmente se puede representar a través de estos diagramas. Y mientras sepamos cómo dibujar los diagramas y cómo interpretarlos, |
| |
entonces podremos utilizarlos a nuestro favor. Aquí tenemos rectángulos y se usan exclusivamente para representar variables observadas. |
| |
Los círculos se utilizan para representar variables latentes, las flechas de dos puntas se utilizan para representar varianzas y covarianzas, y las flechas de una punta son para efectos de regresión o carga. |
| |
Hay otro símbolo que se usa a menudo en los diagramas de ruta y que está fuera del alcance de lo que vamos a hablar hoy. |
| |
Pero si lo encuentras, sólo quiero asegurarme de que sepas que está ahí, y que es un triángulo. Los triángulos se utilizan para representar medias e intersecciones, por lo que hay todo tipo de modelos interesantes que podemos ajustar. |
| |
donde estamos modelando la estructura media de los datos, pero nuevamente no tendremos tiempo para hablar de eso hoy. |
| |
Ahora bien, cuando se trata de diagramas de ruta, creo que es útil pensar en cuáles son los componentes básicos |
| |
de modelos SEM para que podamos usarlos para construir modelos complejos. Y una de ellas sería una regresión lineal simple. Entonces aquí, verás, tenemos |
| |
una regresión lineal donde Y está retrocediendo sobre X. Y observe que tanto X como Y están en estos rectángulos, en estos cuadros, porque son variables observadas. |
| |
Y estamos usando esa flecha de una punta para representar el efecto de regresión y las flechas de dos puntas que comienzan y terminan en la misma variable. |
| |
representan, en este caso, la varianza de X, y en el caso de Y, es la varianza residual de Y. Si una flecha de dos puntas comenzara en una variable y comenzara... y terminara en la otra, entonces eso sería una covarianza. |
| |
Ahora bien, en SEM cualquier variable puede ser tanto un resultado como un predictor. Entonces, en este caso, Y también podría asumir el papel de predictor si tuviéramos una tercera variable Z, donde Y predice Z. |
| |
Y entonces podemos crear efectos secuenciales, este tipo de regresiones secuenciales, ya sabes, tantas como necesites dependiendo de tus datos. |
| |
Otro componente básico sería el de un modelo factorial confirmatorio, y eso es básicamente |
| |
la forma en que especificamos variables latentes en SEM. Y este ejemplo en particular es un factor muy simple, una variable latente. |
| |
modelo factorial confirmatorio donde el círculo representa la variable latente no observada. |
| |
Y observe que la variable latente tiene flechas de una punta que apuntan a las variables que observamos, en este caso W, X e Y. |
| |
Y la razón por la que esa variable apunta a esos cuadrados es porque en el análisis factorial la idea es que la variable latente causa la variabilidad común que observamos en W, X e Y. |
| |
Y es muy importante entender esto porque a menudo se confunde cuando pensamos en los componentes principales como un principal. |
| |
Perspectiva del análisis de componentes. Entonces creo que esta es una buena oportunidad para establecer distinciones entre variables latentes desde una perspectiva analítica de factores y componentes desde una perspectiva PCA, así que voy a tomar un poco de tangente para explicar esas diferencias. |
| |
En esta imagen, los cuadrados representan las variables que medimos, esas variables observadas. Y note, estoy usando estas diferentes cantidades de |
| |
sombreado azul en esas variables para representar la proporción de varianza que se debe a lo que pretendíamos medir, el tipo de señal, las cosas que queríamos medir con nuestros instrumentos. |
| |
Y las áreas sombreadas en gris son la proporción de varianza que se debe a cualquier otra fuente de varianza. Puede incluir errores de medición, pero también puede incluir varianza sistemática que es |
| |
único para cada uno de esos instrumentos de medición. |
| |
Y entonces, en el caso del análisis factorial, la variable latente captura toda esa variabilidad común entre las variables observadas, y es por eso que usamos este azul sólido para representar la variable latente. |
| |
Y eso contrasta con lo que sucede en el análisis de componentes principales, donde el objetivo es la reducción de dimensiones. Y entonces, en PCA, el componente explicará la cantidad máxima de varianza. |
| |
de las dimensiones de nuestros datos. Y eso significa que ese componente principal será a menudo una combinación de la variación que se debe a lo que |
| |
lo que queríamos medir, sino también a algunas otras fuentes de variación. Muy bien, y nuevamente el diagrama ilustra también el supuesto causal, el hecho de que las variables latentes son |
| |
Se supone que causa la variabilidad en sus indicadores en las variables observadas, y es por eso que esas flechas de una sola punta apuntan hacia las variables observadas y ese no es el caso en PCA. |
| |
Muy bien, creo que es útil hacer esta distinción cuando hablamos de variables latentes en SEM. |
| |
Muy a menudo, de lo que estamos hablando es de las variables latentes desde una perspectiva de análisis factorial. |
| |
Bien, aquí he decidido mostrarles un diagrama de ruta que pertenece a un modelo que ya ha sido estimado. Entonces tenemos todos los valores aquí. |
| |
en estas flechas porque todas son estimaciones del modelo, y creo que este diagrama hace un buen trabajo al ilustrar por qué se podría usar SEM. |
| |
Primero, vemos que tenemos variables no observadas. Aquí mismo, el conflicto es una construcción abstracta que no necesariamente podemos observar directamente y por eso lo definimos como una variable latente aprovechando las cosas que observamos; en este caso tenemos tres preguntas de encuesta que representan |
| |
ya sabes, esa variable de conflicto no observada. También podemos tener en cuenta el error de medición, la forma en que se definen las variables latentes en SEM. |
| |
nos asegura que, de hecho, estamos teniendo en cuenta el error de medición, porque esas variables latentes solo capturarán la varianza común entre todas estas variables observadas. |
| |
Observe también que podemos examinar relaciones secuenciales en SEM. Tenemos esta variable de conflicto no observada pero también podemos ver, |
| |
Ya sabes, ¿cómo influye esta variable de Apoyo, cómo influye en el Trabajo y luego, cómo influye esta variable de Trabajo a su vez en la variable latente? |
| |
Y, en última instancia, cómo el conflicto, la variable no observada, puede predecir todo tipo de resultados. Por eso, estas relaciones secuenciales son muy útiles y muy fáciles de estimar en SEM. |
| |
Otra buena razón para usar SEM es que en JMP Pro, nuestra plataforma utiliza técnicas de vanguardia para manejar datos faltantes, por lo que incluso si tiene una regresión lineal simple y eso es realmente todo lo que necesita, si le faltan datos, |
| |
SEM se asegura de que todo lo que está presente se utilice para la estimación, por lo que eso también puede ser muy útil. |
| |
Si esto... |
| |
Si lo que he dicho hasta ahora te despierta interés y planeas aprender más sobre SEM, sin duda vas a encontrar mucha terminología. |
| |
que es exclusivo del campo. Y como todo lo demás, hay una jerga con la que debemos familiarizarnos. |
| |
Por eso, este diagrama también es útil para introducir algo de esa jerga. Primero, hemos estado hablando de variables observadas o variables medidas. |
| |
En SEM, a menudo se les llama variables manifiestas. Tenemos variables latentes, que ya hemos discutido. |
| |
Pero también tenemos esta idea de variables exógenas y esas son las que sólo van a predecir otras variables. |
| |
En nuestro modelo aquí, solo tenemos dos de ellos y contrastan con las variables endógenas. Y entonces, todas las demás variables aquí son variables endógenas porque tienen otras variables que las predicen. |
| |
Muy bien, entonces esas son variables endógenas. También tenemos indicadores de variables latentes y estas son las variables que son causadas por las variables latentes. |
| |
Y la varianza residual que no se explica por la variable latente se llama unicidades, y a menudo también se les llama varianzas de factores únicas. Y recuerde que esta es la combinación de varianza sistemática que es exclusiva de esa variable además del error de medición. |
| |
Cuando las personas aprenden SEM, me resulta útil tener un cambio de enfoque en lo que |
| |
lo que realmente está haciendo el modelo. En otras palabras, al darnos cuenta de que estamos haciendo un análisis multivariado de una estructura de covarianza |
| |
(y también medios, pero recuerden que hoy no estamos hablando de medios), sino al darnos cuenta de que lo que en realidad estamos analizando es la estructura |
| |
de las covarianzas de los datos, eso nos ayuda a comprender el SEM mucho más fácilmente. |
| |
Porque tiene implicaciones para lo que creemos que son los datos, ¿verdad? Entonces, por ejemplo, podemos tener nuestras tablas de datos, donde cada fila representa una observación diferente y cada columna es una variable diferente. |
| |
Y definitivamente podemos usar esos datos para lanzar la plataforma SEM en JMP. |
| |
Pero en el fondo, como detrás de la cortina, lo que hace la plataforma es observar la matriz de covarianza de esas variables, y esos son, de hecho, los datos que se están analizando. |
| |
Y esto también tiene implicaciones para los residuos. A menudo, cuando pensamos en los residuos en SEM, estos son con respecto a la matriz de covarianza que estamos analizando. |
| |
Y esto también es válido para los grados de libertad, y los grados de libertad serán con respecto a esta matriz de covarianza. |
| |
Bien, quiero asegurarme de darles una pequeña muestra de cómo funciona SEM en términos de su estimación. |
| |
Entonces, la forma en que comenzamos es especificando un modelo y, afortunadamente, en JMP Pro, tenemos esta excelente interfaz de usuario amigable. |
| |
donde podemos especificar nuestros modelos directamente con diagramas de ruta, en lugar de tener que especificar o enumerar, ya sabes, sistemas complejos de ecuaciones. Simplemente puede dibujar los diagramas de ruta que implican una estructura de covarianza específica. |
| |
Entonces, los diagramas implican una estructura de covarianza para los datos y luego, durante la estimación, lo que hacemos es tratar de obtener estimaciones del modelo que coincidan lo más posible con la matriz de covarianza de la muestra, según el modelo implícito. |
| |
limitaciones, básicamente. Y una vez que tengamos esas estimaciones, podemos conectarlas a la matriz de covarianza implícita del modelo y comparar esos valores con la matriz de covarianza de muestra, |
| |
y la diferencia entre ellos nos permite cuantificar el ajuste del modelo, ¿verdad? Entonces, si tenemos residuos grandes, al observar la diferencia entre estas dos matrices de covarianza, sabemos que no hemos hecho un buen trabajo ajustando nuestro modelo. |
| |
Muy bien, en pocas palabras, así es como funciona SEM, y ahora me gustaría tomar la siguiente parte de la presentación para presentar los datos que usaremos para nuestra demostración. Yo creo que eso |
| |
Es más fácil aprender nuevos conceptos si tenemos en nuestras manos algunos datos reales, ejemplos reales del mundo real. |
| |
Entonces, los datos que vamos a utilizar en realidad provienen de un artículo publicado muy recientemente en la revista Social, Psychological and Personality Science, y se publicó en el verano de 2020. |
| |
Y los autores querían responder a una pregunta muy sencilla. Dijeron, ya sabes, ¿cómo las amenazas percibidas de COVID 19 impactan el bienestar y los comportamientos de salud pública? Y entonces |
| |
Es una pregunta simple, excepto por el hecho de que las amenazas percibidas de COVID 19 son una construcción completamente nueva, ¿verdad? Es una idea muy abstracta. |
| |
Ya sabes, ¿qué se percibe como amenaza de COVID 19 y cómo se mide eso, verdad? Y así, como esto es algo que nunca antes se había medido, los autores tuvieron que realizar un análisis muy cuidadoso. |
| |
estudio donde desarrollaron una encuesta para poder medir esas amenazas. Y |
| |
Desarrollar una encuesta no es fácil, ¿verdad? Necesitamos asegurarnos de que nuestras preguntas para nuestra encuesta sean confiables y válidas. |
| |
Entonces tuvieron que pasar por el proceso y veremos cómo lo hicieron en un minuto. |
| |
Ahora, en su estudio encontraron que hay dos tipos de amenazas que podían medir, una que llamaron amenazas realistas, y esa es |
| |
cosas que amenazan nuestra seguridad financiera y física. |
| |
Y el otro tipo de amenaza era... la llamaban simbólica. Entonces esas son cosas que amenazan nuestra identidad social y cultural, ¿verdad? Y también es importante decir que esta muestra fue para la población de Estados Unidos. Ellos tomaron muestras |
| |
más de 1.000 personas, por lo que sus preguntas se refieren exclusivamente a la población de los Estados Unidos. |
| |
Y lo que vemos aquí es en realidad la escala integrada de amenazas de COVID 19, por lo que este es el cuestionario que desarrollaron después de pasar por tres estudios diferentes. Y entonces descubrieron que esas dos amenazas |
| |
podría medirse con un puñado de elementos. Pidieron a sus participantes que respondieran en qué medida representa una amenaza, si la hay, el brote de coronavirus, para su salud personal, la salud de la población estadounidense en su conjunto. |
| |
su seguridad financiera personal, etc. Y para la amenaza simbólica, las preguntas fueron, ya sabes, |
| |
¿Hasta qué punto representa una amenaza el virus para lo que significa ser estadounidense, los valores y tradiciones estadounidenses, y los derechos y libertades de la población de Estados Unidos en su conjunto, etc.? Entonces puedes ver las diferencias en lo que representan estas amenazas. |
| |
Tuvimos acceso a estos datos y los usaremos para responder preguntas muy específicas. Primero, ¿cómo medimos estas percepciones de la amenaza de COVID 19? Nos centraremos en las dos amenazas que identificaron. |
| |
Entonces, esto nos llevará a hablar sobre análisis factorial confirmatorio y evaluar un modelo de medición para asegurarnos de que podemos determinar si las preguntas de la encuesta son, de hecho, confiables y válidas. |
| |
Tenga en cuenta que vamos a omitir este primer paso muy importante, que es el análisis factorial exploratorio y eso es algo que se haría antes. |
| |
usando SEM, cierto. Realizarías un análisis factorial exploratorio y luego vendrías a SEM para confirmar la estructura de eso... de los resultados anteriores. Los autores de este artículo definitivamente hicieron eso, pero nos centraremos en los pasos que seguiríamos usando SEM. |
| |
La segunda pregunta es: ¿las percepciones de la amenaza de COVID 19 predicen marcadores de bienestar y comportamientos de salud pública? Y esta pregunta nos llevará a hablar sobre regresión múltiple y análisis de ruta dentro de SEM. |
| |
Y la última pregunta es si los efectos de cada tipo de amenaza en los resultados son iguales. Y esto en realidad nos permite mostrar una característica muy interesante de SEM, que implica establecer restricciones de igualdad en nuestros modelos y realizar comparaciones sistemáticas de modelos para responder este tipo de preguntas. |
| |
Muy bien, es hora de la demostración, y ya tengo... veamos... |
| |
Ups, ¿cómo salgo de aquí? |
| |
Aún no es momento de preguntas. |
| |
Solo quiero salir de la pantalla y parece que no puedo hacerlo. |
| |
Bien, aquí vamos, así que tenemos... |
| |
Ya tengo abierta la tabla de datos de JMP aquí mismo. Estos... estos datos, pueden ver que hay 238 columnas, eso se debe a que los autores preguntaron. |
| |
En este caso, varias preguntas diferentes de 550 participantes; este es uno de sus tres estudios. |
| |
Y las primeras 10 preguntas, las diez primeras columnas que tengo en los datos corresponden a esas 10 preguntas que vimos en su escala de amenazas. |
| |
Entonces, esos serán los que usaremos primero para hacer un análisis factorial confirmatorio. Y entonces haremos clic en analizar, iremos a métodos multivariados, modelos de ecuaciones estructurales. |
| |
Y usaremos esas 10 variables y haremos clic en variables del modelo, y luego haremos clic en Aceptar para iniciar la plataforma. |
| |
Un aviso que en el lado derecho vemos inmediatamente que hay un diagrama de ruta. |
| |
Y ese diagrama ya tiene todas las características que discutimos anteriormente, por lo que cada una de las variables está en rectángulos, lo que sugiere que son variables observadas. |
| |
Y cada uno de ellos tiene estas flechas de dos puntas que comienzan y terminan en sí mismos, por lo que representan una variación de cada una de esas variables. |
| |
Ahora, si hago clic derecho en el lienzo, hay un menú de presentación y noto que los medios y las intercepciones están ocultos de forma predeterminada. |
| |
Voy a hacer clic en esto sólo para mostrarles que, de hecho, tenemos |
| |
medias estimadas por defecto a partir de todas estas variables. Y entonces no vamos a hablar de eso, así que los mantendremos ocultos, pero creo que es importante saberlo. |
| |
que el modelo predeterminado con el que comenzamos cuando lanzamos la plataforma es uno en el que todas las variables tienen varianzas y medias estimadas. |
| |
Ahora, en esto |
| |
pestaña, tenemos una pestaña de lista, y si hacemos clic en ella vemos que tenemos |
| |
exactamente la misma información que tenemos en el diagrama pero en forma de lista. Y entonces, todos los diferentes tipos de parámetros se dividen según el tipo de parámetro que sea, por lo que tenemos todas las variaciones aquí y todos los medios allá. |
| |
Bien, tenemos una pestaña de estado y esto básicamente nos informa sobre el modelo específico que hemos especificado en este momento. Nos brinda mucha información útil sobre ese modelo. |
| |
Tenemos detalles sobre los datos, el tamaño de nuestra muestra, los grados de libertad y también tenemos estas reglas de identificación. Puedes hacer clic en ellos si quieres aprender un poco más sobre ellos. Te da un poco... |
| |
Una pequeña descripción a la derecha. |
| |
Pero lo realmente útil es saber que este icono de la pestaña de estado cambia constantemente, dependiendo de los cambios que hagamos y dependiendo de las especificaciones del modelo que tengamos. Y así muchas veces, si tenemos una aplicación avanzada de SEM, esto |
| |
El ícono puede ser de color amarillo y cuando tenemos un error grave, algún error importante, entonces ese ícono será naranja con una X, básicamente indica que hay un error. Por lo tanto, podría resultar muy útil identificar errores a medida que especificamos nuestros modelos. |
| |
Ahora, en el lado izquierdo de la interfaz de usuario, vemos que podemos |
| |
especificamos el nombre de nuestro modelo, por lo que esto es muy útil, más o menos para realizar un seguimiento de nuestro flujo de trabajo. Y también tenemos estas listas Desde y Hasta. |
| |
Por eso, estas listas proporcionan una forma muy útil de vincular variables, ya sea usando una flecha de una punta o una flecha de dos puntas. |
| |
Así que aquí, por ejemplo, si quiero vincularlos, puedo hacer clic en ese botón y muy rápidamente dibujé un diagrama de ruta, ¿verdad? Por tanto, es una forma muy eficaz de especificar modelos. |
| |
Entonces voy a hacer clic en restablecer aquí solo para volver al modelo que teníamos al iniciar la plataforma, pero sepan que las listas Desde y Hasta son básicamente formas en las que podemos dibujar los diagramas. |
| |
Bien, en este caso tenemos todas las variables observadas enumeradas aquí, pero sé que queremos usar esas variables para especificar variables latentes. |
| |
Ahora, las primeras cinco variables aquí son las que corresponden a los elementos de esa encuesta para la amenaza realista. Entonces voy a agregar una variable latente al modelo bajando |
| |
a este cuadro aquí abajo, donde dice Latent1 y voy a cambiar el nombre a Realistic, porque quiero |
| |
Estas cinco variables son indicadores de una variable latente de amenaza realista. Y así, al hacer clic en este botón, |
| |
Inmediatamente obtengo esa variable latente especificada. Y observe, la primera carga para esta variable latente de amenaza realista tiene un 1 en esto... |
| |
en esto en esta flecha, y eso básicamente representa el hecho de que el parámetro está fijo en el valor de 1. |
| |
Y hacemos esto porque necesitamos establecer la escala de la variable latente. Sin esta restricción, no podríamos identificar el modelo y por lo tanto |
| |
de forma predeterminada vamos a colocar esa restricción en la primera carga de la variable latente, pero también podríamos lograr |
| |
El mismo propósito si fijamos la varianza de la variable latente en 1. Entonces, cuál hacemos es realmente una cuestión de elección, pero de forma predeterminada, la plataforma fijará la primera carga en 1. Bien, entonces tenemos una variable latente de amenazas realistas y las otras cinco |
| |
Las variables aquí son las que corresponden, ya sabes, a las preguntas sobre amenazas simbólicas. Entonces los seleccionaré y haré clic aquí. Voy a escribir Simbólico y haré clic en el botón más para agregar esa amenaza simbólica. |
| |
Bien, ya casi hemos terminado, pero observen que este modelo aquí implica que las amenazas realistas y simbólicas no están perfectamente correlacionadas entre sí, y esa es una suposición muy fuerte. Y entonces no queremos hacer eso. |
| |
En su mayor parte, la mayoría de los modelos de factores confirmatorios permiten que las variables latentes covarien entre sí, por lo que las seleccionaré aquí y puedo hacer clic en esta flecha de dos puntas para vincular esos dos nodos. |
| |
Pero también puedo hacerlo directamente desde el diagrama de ruta. Entonces, si hago clic derecho en la variable latente, puedo hacer clic en agregar covarianzas y |
| |
ahí mismo puedo agregar esa covarianza. Entonces es una manera genial. Puedes hacerlo con la lista, puedes hacerlo directamente en el diagrama, |
| |
cualquiera que sea tu elección. Y nuestro modelo está listo para ser estimado, así que cambiaré el nombre a 2-Factor CFA y podremos seguir adelante y ejecutarlo. |
| |
Y pueden ver, muy rápidamente, que obtenemos nuestras estimaciones y todas están asignadas al diagrama, lo cual es bastante bueno. Pero antes de interpretar esos resultados, quiero asegurarnos de que nos centramos en esta tabla de comparación de modelos. |
| |
La razón es que la tabla nos proporciona mucha información sobre el ajuste del modelo y queremos asegurarnos de que el modelo se ajuste bien antes de interpretar los resultados. Entonces |
| |
Lo primero que hay que notar aquí es que tenemos tres modelos en esta... en esta tabla y solo cabe uno de ellos. |
| |
Entonces, la razón por la que tenemos tres es porque los dos primeros modelos, el modelo sin restricciones y el de independencia, no se ajustan de forma predeterminada al iniciar la plataforma. |
| |
Así que ajustamos estos modelos a propósito para proporcionar una base de referencia sobre cuál es un modelo que se ajusta realmente bien y cuál es un modelo que se ajusta realmente mal, y por eso los usamos como marco de comparación. |
| |
con nuestros propios modelos especificados. Así que déjame ser un poco más específico. Por ejemplo, el modelo sin restricciones sería un modelo (os lo voy a mostrar con el diagrama de ruta), |
| |
el modelo sin restricciones es aquel en el que se permite que todas las variables covaríen entre sí, de acuerdo. Y entonces note que |
| |
el estadístico Chi cuadrado, que es una medida del desajuste, es exactamente cero, y la razón es que este modelo se ajusta perfectamente a los datos. Recuerde que nuestros datos aquí son realmente la matriz de covarianza del derecho de datos, por lo que tenemos cero grados de libertad porque hemos especificado... |
| |
tienen cero grados de libertad porque estamos estimando todas las varianzas y covarianzas posibles en los datos. |
| |
Entonces este es el mejor escenario posible, ¿verdad? No tenemos ningún desajuste, pero también estamos estimando todas las estimaciones posibles a partir de los datos. |
| |
El otro extremo del espectro es un modelo que encajaría muy mal y eso es el modelo de independencia. Entonces, si les muestro el diagrama de ruta, |
| |
aquí nuestro modelo predeterminado donde solo tenemos la varianza como medio para los datos, eso es exactamente lo que es el modelo de independencia. Y |
| |
ese es esencialmente un modelo donde nada covaría con nada más, y se puede ver que la estadística de Chi cuadrado para ese modelo es, de hecho, bastante grande, porque hay muchos desajustes, cierto, son casi 2000 unidades, pero tenemos |
| |
45 grados de libertad porque estimamos muy pocas cosas a partir de los datos. Y nuevamente, estos dos modelos básicamente brindan |
| |
los dos extremos del espectro, a la derecha. Por un lado, un modelo que se ajusta muy bien y, por el otro, un modelo que se ajusta muy mal, por lo que podremos usar esa información para comparar nuestro propio modelo con esos. |
| |
Entonces, si miramos nuestro modelo. Observe que la estadística de Chi cuadrado no es cero, sino que es solo 147 unidades, que es mucho menos que 2000. |
| |
Y tenemos 34 grados de libertad, por lo que tenemos algunos inadaptados. Y cuando miramos la prueba para ese Chi cuadrado, es una estadística significativa de Chi cuadrado, por lo que sugiere que tenemos un desajuste estadísticamente significativo en los datos. |
| |
Sin embargo, el estadístico Chi cuadrado está influenciado por el tamaño de la muestra y, en este caso, tenemos 550 observaciones. Y entonces |
| |
Por lo general, cuando tienes 300 o más observaciones, es muy importante buscar no sólo la estadística de Chi cuadrado, sino también algún parámetro especial. |
| |
Índices de ajuste que son exclusivos de SEM y que nos permiten cuantificar el ajuste del modelo, y eso es lo que están los valores aquí a la derecha. |
| |
Este primer índice de ajuste se llama índice de ajuste comparativo y ese |
| |
El índice varía de cero a uno, por lo que puede ver que el modelo sin restricciones tiene un uno. Ese es el modelo que mejor se ajusta y el modelo de independencia tiene cero, porque el modelo que peor se ajusta, está bien, y nuestro modelo en realidad tiene un CFI de 0,93, aproximadamente 0,94. |
| |
Y eso representa la proporción de mejora del modelo de independencia. Entonces otra forma de decir eso es |
| |
nuestro modelo se ajusta aproximadamente un 94% mejor que el modelo de independencia, lo que en realidad es bastante bueno. Y normalmente queremos valores de CFI de 0,9 o superiores. Cuanto más cerca de uno, mejor. |
| |
Ahora bien, el error cuadrático medio de aproximación es otro índice de ajuste, pero ese, |
| |
aunque también oscila entre cero y uno, queremos valores muy, muy bajos en ese índice. Entonces observe que el modelo sin restricciones tiene un valor de cero. |
| |
y el modelo de independencia es .27. Generalmente queremos valores aquí que sean .1 o inferiores para modelos aceptables. Y el nuestro tiene un .07, aproximadamente .08, y eso es bastante bueno. |
| |
También tenemos algunos intervalos de confianza para esta estimación en particular, y se puede ver que esos valores también están por debajo de 0,1, por lo que este es un modelo que se ajusta bien, ¿verdad? Y entonces, una vez que sabemos que el modelo... se ajusta bien a nuestros datos, entonces podemos seguir adelante e interpretarlo. |
| |
Ahora, de forma predeterminada en nuestras estimaciones, le mostraremos las estimaciones de parámetros no estandarizados. |
| |
Pero para el análisis factorial, es mucho más útil mirar la solución estandarizada, así que haré clic derecho en el lienzo y mostraré estimaciones estandarizadas. |
| |
Y entonces, ahora los valores aquí están en una métrica correlacional, por lo que queremos que esos valores estén lo más cerca posible de uno. |
| |
porque representan la correlación de la variable observada con la variable latente. Y observe que, tanto para amenazas realistas como simbólicas, los valores son bastante buenos. |
| |
No queremos que sean inferiores a 0,4, por lo que estos valores son buenos. Otra cosa que es muy singular y realmente útil, exclusiva de JMP Pro, es que las variables aquí... cualquier variable endógena que tenga |
| |
predictores, cierto, apuntándolos, está sombreado. |
| |
Observe que aquí hay un poco de gris dentro de estos cuadrados, por lo que el sombreado es proporcional a la cantidad de varianza explicada por los predictores. |
| |
Y por eso nos permite ver visualmente muy rápidamente qué variables estaban haciendo un trabajo realmente bueno al explicar su varianza. En este caso, parece que estas tres variables |
| |
están llenos más de ese gris más oscuro, lo que sugiere que la variable latente de amenazas simbólicas está haciendo un trabajo bastante bueno al explicar la varianza de estas tres variables observadas. |
| |
También vemos que las dos variables latentes están correlacionadas alrededor de 0,4, lo cual es un hallazgo interesante. |
| |
Y hay todo tipo de resultados en los que podríamos centrarnos aquí en el menú del triángulo rojo, pero me voy a centrar específicamente en uno. |
| |
opción llamada evaluar modelo de medición. Y aquí es donde vamos a encontrar muchas estadísticas donde podemos cuantificar la confiabilidad y la validez de nuestros constructos. |
| |
Entonces, si hacemos clic allí, tenemos este pequeño y agradable tablero. Y la primera información que tenemos aquí es |
| |
Indicador de confiabilidad, por lo que este cuantifica la confiabilidad de cada una de las preguntas de esa encuesta y nos brinda un gráfico en el que se encuentra. |
| |
mostrándonos todos estos valores. Y observen, tenemos una línea roja aquí para un umbral de lo que esperamos tener, ¿verdad? Queremos tener al menos esa confiabilidad en cada uno de nuestros artículos. Ahora, |
| |
Ya sabes, este tipo de umbrales deben interpretarse, ya sabes, con nuestro propio pensamiento crítico, porque obviamente, |
| |
Ya sabes, este elemento en particular, por ejemplo, está por debajo del umbral, pero todavía está bastante cerca del umbral, por lo que no lo vamos a descartar. Todavía podemos considerarlo |
| |
relativamente confiable y sigue siendo un buen indicador de esta variable latente. Pero nuevamente, interprete los umbrales aquí con precaución. |
| |
Pero una cosa que resulta evidente de este gráfico es que la variable latente de las amenazas simbólicas parece tener indicadores más confiables que las amenazas realistas. Ambos son bastante buenos, pero el simbólico, ya sabes, estamos haciendo un mejor trabajo al medirlo. |
| |
Los valores de la derecha son coeficientes de confiabilidad para los compuestos. Es decir, cuantifican la confiabilidad de la variable latente en su conjunto y hay dos tipos de confiabilidad. |
| |
No voy a entrar en detalles de sus diferencias, pero observe que estos valores varían de cero a uno y queremos que estén lo más cerca posible de uno. Y también proporcionamos |
| |
Ya sabes, algunos gráficos con un umbral que indica cuál es la cantidad deseada de confiabilidad que queremos, la amenaza mínima y, en este caso, tanto realista como simbólica, tienen buena confiabilidad. |
| |
Y la otra visualización que tenemos aquí es para una matriz de validez de constructo y |
| |
Tenga en cuenta que cuando intenta medir algo que no ve directamente, es muy difícil determinar si realmente |
| |
es lo que pretendes que mida. ¿Realmente estás midiendo lo que querías? Y eso es lo que esta información nos permite determinar. |
| |
La visualización aquí representa el triángulo superior de esta matriz y permítanme explicar brevemente qué representan los valores. En este inferior... |
| |
debajo de la diagonal, tenemos la correlación entre la variable latente. Eso es aproximadamente 0,4. Las entradas diagonales representan la cantidad promedio de varianza extraída. |
| |
del... que las variables latentes extraen de sus indicadores. Y por eso desea que esos valores sean lo más altos posible. |
| |
Y encima de la diagonal tenemos esta correlación al cuadrado. En otras palabras, es la cantidad de varianza superpuesta entre las variables latentes. |
| |
Entonces, la clave para interpretar esta matriz es que queremos que los valores en la diagonal sean más altos. |
| |
que los valores arriba y a la derecha de la diagonal, y observe aquí, la visualización hace que sea muy fácil ver que, de hecho, |
| |
tienen valores mayores en la diagonal que los que tenemos arriba o a la derecha. Y esa es una buena evidencia de validez de constructo. |
| |
Y entonces, todo aquí sugiere que tanto las amenazas realistas como las simbólicas son, de hecho, |
| |
variables latentes que sean válidas y confiables, y la encuesta parece hacer un buen trabajo al medir ambas. |
| |
Entonces, el próximo paso podría ser, tal vez, podríamos optar por abordar todas esas cinco preguntas que representan las amenazas realistas aquí, y podríamos crear un promedio para todas ellas. |
| |
Y, de repente, tendríamos una medida que representa amenazas realistas. Podríamos hacer eso y podríamos hacer lo mismo con las otras cinco variables que representan amenazas simbólicas. |
| |
Entonces, solo a modo de ilustración, en realidad ya he creado esas variables, así que vayamos a analizar los métodos multivariados y los modelos de ecuaciones estructurales. Y voy a buscar esos |
| |
variable promedio. Entonces, las amenazas realistas y simbólicas aquí son el promedio de las columnas para cada una de estas variables. |
| |
Y voy a modelarlos además de... tenemos una medida para la ansiedad, también tenemos una medida para los afectos negativos o las emociones negativas negativas. |
| |
Y, por último, tenemos una medida para el cumplimiento de las conductas de salud pública, por lo que también la modelaremos y haremos clic en Aceptar para iniciar la plataforma. |
| |
Los botones del diagrama aquí, podemos ir a un menú personalizado, podemos cambiar todo tipo de aspectos del diagrama, lo cual es realmente genial. Ahora mismo, sólo me voy a centrar en aumentar el ancho de... |
| |
el ancho de estos |
| |
variables, para que podamos leer lo que hay dentro de los nodos. Y lo que voy a hacer es adaptar un modelo en el que tanto las amenazas realistas como las simbólicas serán predictores de estos interesantes resultados, ¿verdad? Hay una especie de |
| |
marcadores de ansiedad, afecto negativo y también el comportamiento de salud pública, así que los vincularemos con una flecha de una punta para especificar las predicciones. Así que vamos a investigar si estos efectos son, de hecho, significativos. |
| |
Ahora note que aún no he terminado de especificar este modelo, porque en este modelo en particular, |
| |
No hay conexión entre las amenazas realistas y simbólicas, y eso sería una restricción muy fuerte en el modelo para decir que estas dos cosas no son |
| |
covariando en absoluto. Por eso, siempre queremos asegurarnos de incluir covarianzas entre nuestros predictores y también entre las varianzas residuales de nuestros resultados. |
| |
Y entonces podríamos especificarlas directamente desde la lista De, en este caso usaré agregar covarianzas desde este menú y vincularé las amenazas realistas y simbólicas. |
| |
También usaré las listas para agregar covarianzas entre los residuos de estos resultados. Y ahora tenemos un modelo completamente especificado correctamente, y esto a menudo se llama análisis de ruta, pero también es... |
| |
Es básicamente una colección, una colección simultánea de modelos de regresión, así que vamos a ejecutar eso. |
| |
Y observe en la tabla de comparación de modelos que nuestro modelo no tiene grados de libertad y tiene un Chi cuadrado perfecto y el Chi cuadrado es cero. |
| |
Pero esencialmente al tener cero grados de libertad, significa que nuestro modelo no es comprobable, |
| |
porque hemos extraído toda la información que podríamos haber extraído de nuestros datos. Eso es esencialmente lo que hacemos cuando ajustamos un modelo de regresión. Así que no hay problema con eso, pero debes saber que no puedes interpretar este Chi Cuadrado y decir, oh, mi modelo encaja tan bien. |
| |
Encaja bien porque has extraído todo lo que podrías haber extraído del modelo. De todos modos, es como un modelo de regresión. |
| |
Muy bien, si vamos y miramos los resultados, ya sabes, hay todo tipo de información realmente importante que podemos interpretar, pero me centraré en un par de cosas. Primero, |
| |
Observe que nuestros diagramas son completamente interactivos, lo cual es realmente genial. Y simplemente estoy moviendo las cosas para centrarme en un par de efectos. Voy a ocultar las varianzas y las covarianzas en este modelo, para que realmente podamos centrarnos en los resultados de los modelos de regresión. |
| |
del análisis de ruta. Y observe aquí que las amenazas realistas y simbólicas tienen un efecto positivo sobre la ansiedad. |
| |
Eso es realmente interesante y aquí las flechas son sólidas porque los efectos, como pueden ver aquí en la tabla de estimaciones de parámetros, son estadísticamente significativos. Entonces, si fueran insignificantes, |
| |
en realidad, las flechas aparecerían como flechas discontinuas. Entonces el diagrama de ruta transmite mucha información. Entonces tenemos efectos positivos significativos sobre la ansiedad. |
| |
Y eso es interesante, por supuesto, pero hasta ahora, todo lo que hemos hecho, nuevamente, es ajustar modelos de regresión de manera simultánea. |
| |
Y, de hecho, si volvemos a la tabla de datos, tengo un script aquí del modelo de ajuste, donde en realidad uso esa misma ansiedad. |
| |
resultado y los mismos dos predictores, amenazas realistas y simbólicas, |
| |
y simplemente estimo un modelo de regresión múltiple. Y la razón por la que quería mostrarles esto es porque observe que las estimaciones de los parámetros aquí son exactamente el mismo valor que obtuvimos del SEM. |
| |
Y eso no es ninguna sorpresa, porque, de hecho, estamos haciendo una regresión simultánea. Entonces, hasta este punto, quizás te preguntes |
| |
¿Qué le compra SEM? Cierto, porque técnicamente, podría ejecutar tres modelos de ajuste separados con estos tres resultados y podría obtener la misma información que hemos obtenido hasta ahora. |
| |
Sin embargo, bueno, si le faltan datos, aún desea usar SEM porque entonces usaremos... todos los datos se usarán en lugar de eliminar filas. |
| |
Sin embargo, si deseas utilizar SEM, también podrás responder preguntas adicionales que son bastante interesantes. |
| |
En este caso, podríamos preguntarnos si el efecto que tiene una amenaza realista sobre la ansiedad es estadísticamente mayor |
| |
que el efecto que esa amenaza simbólica tiene sobre la ansiedad, ¿verdad? Hasta ahora sabemos que ambos son significativamente diferentes de cero, pero ¿son significativamente diferentes entre sí? |
| |
Y esa es una pregunta que podemos responder utilizando la plataforma SEM. Y volviendo al panel de especificaciones de nuestro modelo, podemos seleccionar ambos efectos y aquí arriba, en los botones de Acción, tenemos el botón Establecer igual, así que si lo presionamos, observe que obtenemos un poco |
| |
etiqueta aquí que implica que ambos efectos se establecerán en iguales. Se estimarán como uno. Entonces, si cambiamos el nombre aquí para igualar efectos y ejecutamos este modelo, obtendremos las estadísticas de ajuste para ese modelo específico. |
| |
modelo que tiene las restricciones de igualdad. Y observe que ahora hemos ganado un grado de libertad, por lo que, de repente, tenemos un modelo comprobable. |
| |
Y podemos usar la tabla de comparación de modelos para seleccionar los dos modelos que queremos comparar entre sí y borrar su clic en comparar modelos seleccionados. |
| |
Y ahora obtenemos una prueba de diferencia de Chi cuadrado, por lo que podemos comparar el modelo estadísticamente y ver cuál es la cantidad de desajuste que nuestro |
| |
la restricción de igualdad induce en el modelo. Y aquí podemos ver que son aproximadamente 8,6 unidades en la métrica de Chi cuadrado y el valor p para eso es, de hecho, significativo. Entonces esto sugiere que |
| |
establecer esa restricción de igualdad induce una cantidad significativa de desajuste en el modelo. Y también, como sabemos que el Chi cuadrado está influenciado por el tamaño de la muestra, también tenemos la diferencia en esos |
| |
índices de ajuste que discutimos y para el CFI, normalmente no queremos que esto aumente, no más de 0,01 |
| |
como máximo. De hecho, 0,01 o superior no es tan bueno. Y para RMSEA, ya sabes, no quieres que sea superior a .1. |
| |
Así que toda la evidencia aquí sugiere que establecer las restricciones de igualdad conduce a un modelo con un ajuste significativamente peor. |
| |
En otras palabras, si volvemos al modelo que mejor se ajusta, ahora podemos decir, basándonos en la prueba de diferencia de Chi cuadrado, |
| |
que el efecto que tiene la amenaza realista sobre la ansiedad es significativamente mayor que el efecto que tiene la amenaza simbólica sobre la ansiedad. |
| |
Y ese tipo de preguntas, ya sabes, podríamos abordarlas con otras partes de este modelo, pero nuevamente, SEM ofrece mucha flexibilidad al permitirnos comparar la igualdad de diferentes efectos dentro del modelo. |
| |
Bien, por razones de tiempo voy a cerrar esto, pero, y quiero mostrarles hasta ahora, vimos un modelo de factor confirmatorio. También vimos |
| |
un análisis de ruta, donde estamos haciendo un análisis de regresión multivariado, pero en realidad podemos usar ambos conceptos en un modelo. Entonces tengo un script que ya guardé en mi tabla de datos, y pueden ver que lo que estoy haciendo aquí en este modelo es en realidad |
| |
estimación de variables latentes. Estoy modelando variables latentes para amenazas tanto simbólicas como realistas, utilizando los elementos originales de la encuesta, del cuestionario. |
| |
Y así, al hacer esto, en lugar de crear promedios entre las columnas, |
| |
De hecho, voy a modelar las variables latentes, y eso me permite obtener efectos de regresión, todos estos efectos entre las variables latentes serán imparciales y no estarán atenuados por el error de medición, porque estoy obteniendo una |
| |
una medida más válida y más pura de amenazas simbólicas y realistas. Y aquí estamos estimando, pueden ver relaciones secuenciales, y mi modelo aquí es mucho más complejo. |
| |
No voy a entrar en detalles del modelo, pero sé que al modelar variables latentes y observar las relaciones entre variables latentes, realmente podemos obtener la mejor |
| |
funcionalidad de SEM porque nuestras asociaciones entre esas variables latentes serán mejores estimaciones de... |
| |
para el modelo. Y de hecho estimé este modelo, puedes ver los resultados aquí abajo. Y observen aquí, hay algunos bordes que son... |
| |
que tienen flechas algo discontinuas, lo que indica que esos efectos no son significativos. También vemos lo poderosa que es la visualización del sombreado, ¿verdad? somos capaces de explicar |
| |
cierta proporción de variación de la adherencia a conductas de salud pública. Y parece que estamos haciendo un mejor trabajo al explicar la variación del afecto positivo que cualquiera de los otros resultados aquí. Y así de nuevo es |
| |
Básicamente, lo mejor de ambos mundos, poder especificar nuestras variables latentes pero también modelarlas directamente usando nuestra plataforma. |
| |
Entonces, con esto voy a detener la demostración aquí, pero los dirigiré al hecho de que en el sitio web de la comunidad JMP tenemos materiales complementarios que |
| |
James Koepfler ha creado. Son materiales realmente geniales que tienen muchos consejos sobre cómo interpretar nuestros modelos, cómo usar la tabla de comparación de modelos, |
| |
y básicamente todas las notas que hubieras querido tomar durante esta presentación, las puedes conseguir en los materiales complementarios. Y con eso estoy listo para abrirlo a preguntas. |
