| Vocero |
Transcripción |
| Laura Castro-Schilo |
Hola, soy Laura Castro-Schilo y bienvenidos a esta sesión, donde vamos a aprender el ABC del modelado de ecuaciones estructurales. |
| |
Y nuestro objetivo hoy es asegurarnos de que usted tenga las herramientas necesarias para especificar e interpretar modelos, utilizando la plataforma de modelos de ecuaciones estructurales en JMP Pro 16. |
| |
Y vamos a hacer eso, primero dando una breve introducción a SEM, simplemente diciéndoles 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 rutas son herramientas esenciales para SEM. |
| |
Y vamos a intentar mantener esa introducción bastante breve, para que podamos centrarnos realmente en algunos ejemplos prácticos. |
| |
Y entonces, antes de esos ejemplos, voy a presentar los datos que vamos a utilizar para esa demostración y estos datos son sobre las percepciones de las amenazas del COVID 19. |
| |
Y entonces, al mirar esos datos, vamos a comenzar a aprender cómo especificamos e interpretamos nuestros modelos y lo haremos respondiendo preguntas específicas. |
| |
Estas preguntas nos llevarán a hablar de modelos muy populares en SEM, uno de ellos es el análisis factorial confirmatorio y otro, el análisis de regresión multivariante. |
| |
Y para finalizar, vamos a mostrarte un modelo donde reunimos ambos análisis, para que realmente puedas ver cómo SEM es un marco muy flexible donde puedes adaptar tus 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 las variables, ya sean observadas o no observadas, y entonces cuando juntas esas dos, obtienes SEM, que como puedes imaginar, es un marco muy flexible donde se pueden ajustar todo tipo de modelos diferentes. |
| |
Los diagramas de trayectoria son herramientas realmente útiles en SEM, y la razón es que los sistemas de ecuaciones pueden ser, ya sabes, bastante complicados. |
| |
puede realmente representarse mediante estos diagramas. Y mientras sepamos cómo dibujarlos e interpretarlos, |
| |
Entonces podemos usarlos a nuestro favor. Aquí tenemos rectángulos, que se usan exclusivamente para representar las variables observadas. |
| |
Los círculos se utilizan para representar variables latentes, las flechas de dos puntas se utilizan para representar tanto varianzas como covarianzas, y las flechas de una punta son para la regresión o los efectos de carga. |
| |
Hay otro símbolo que se utiliza a menudo en los diagramas de rutas y que queda fuera del alcance de lo que vamos a hablar hoy. |
| |
Pero si lo encuentras, solo quiero asegurarme de que sepas que está ahí, y que es un triángulo. Los triángulos se usan para representar medias e intersecciones, así 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 rutas, creo que es útil pensar en cuáles son los componentes básicos. |
| |
de modelos SEM para que podamos usarlos para construir modelos complejos. Uno de ellos sería una regresión lineal simple. Aquí, como ven, tenemos |
| |
una regresión lineal donde Y se está regresionando sobre X. Y note 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. Por lo tanto, en este caso, Y también podría desempeñar el papel de predictor si tuviéramos una tercera variable Z, donde Y predice Z. |
| |
Y así podemos construir efectos secuenciales, este tipo de regresiones secuenciales, ya sabes, tantas como necesites dependiendo de tus datos. |
| |
Otro elemento fundamental sería el de un modelo factorial confirmatorio, y eso es básicamente... |
| |
La forma en que especificamos las variables latentes en SEM. Y este ejemplo en particular es muy simple: un factor y 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 sola 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 esto es muy importante entenderlo porque a menudo se confunde cuando pensamos en componentes principales como si fueran un componente principal. |
| |
Perspectiva del análisis de componentes. Por lo tanto, creo que esta es una buena oportunidad para establecer las distinciones entre las variables latentes desde una perspectiva de análisis factorial y los componentes desde una perspectiva de ACP. Por lo tanto, voy a desviarme un poco para explicar esas diferencias. |
| |
En esta imagen, los cuadrados representan las variables que medimos, las variables observadas. Y observen, estoy usando estas diferentes cantidades de |
| |
sombreado azul en esas variables para representar la proporción de variación que se debe a lo que pretendíamos medir, el tipo de señal, las cosas que queríamos medir con nuestros instrumentos. |
| |
Las áreas sombreadas en gris representan la proporción de varianza debida a otras fuentes de varianza. Puede incluir errores de medición, pero también varianza sistemática. |
| |
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 en las variables observadas, y es por eso que usamos este azul sólido para representar la variable latente. |
| |
Y esto contrasta con lo que ocurre en el análisis de componentes principales, donde el objetivo es la reducción de la dimensión. Por lo tanto, en el ACP, el componente explicará la máxima varianza. |
| |
de las dimensiones de nuestros datos. Y eso significa que ese componente principal será a menudo una combinación de la varianza que se debe a lo que... |
| |
Lo que queríamos medir, pero también a otras fuentes de varianza. Bien, y de nuevo, el diagrama ilustra también el supuesto causal, el hecho de que las variables latentes son... |
| |
se hipotetizó que la variabilidad de sus indicadores está causada por 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 el ACP. |
| |
Bien, creo que es útil hacer esta distinción cuando hablamos de variables latentes en SEM. |
| |
Muy a menudo, de lo que estamos hablando son las variables latentes desde una perspectiva de análisis factorial. |
| |
Bien, aquí he decidido mostrarles un diagrama de ruta que pertenece a un modelo ya estimado. Así que 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 uno podría usar SEM. |
| |
Primero, vemos que tenemos variables no observadas. Aquí, el conflicto es un constructo abstracto que no necesariamente podemos observar directamente, por lo que lo definimos como una variable latente aprovechando lo que sí observamos. En este caso, tenemos tres preguntas de la 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 el SEM. |
| |
nos asegura que, de hecho, estamos teniendo en cuenta el error de medición, porque esas variables latentes solo van a capturar la varianza común entre todas estas variables observadas. |
| |
Observe también que podemos examinar las relaciones secuenciales en SEM. Tenemos esta variable de conflicto no observada, pero también podemos ver... |
| |
¿Sabes cómo esta variable Soporte, cómo influye en el Trabajo y luego, cómo esta variable Trabajo a su vez influye en la variable latente? |
| |
Y, en última instancia, cómo el conflicto, la variable no observada, puede predecir todo tipo de resultados. Por lo tanto, estas relaciones secuenciales son muy útiles y 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 tiene datos faltantes, |
| |
SEM se asegura de que todo lo que está presente se utilice para la estimación, por lo que también puede ser muy útil. |
| |
Si esto... |
| |
Si lo que he dicho hasta ahora despierta tu interés y planeas aprender más sobre SEM, sin duda, vas a encontrar mucha terminología. |
| |
que es exclusivo del campo. Y, como en todo, existe una jerga con la que debemos familiarizarnos. |
| |
Este diagrama también es útil para introducir algo de esa jerga. Primero, hemos estado hablando de variables observadas o variables medidas. |
| |
En SEM, estas se suelen llamar variables manifiestas. Tenemos variables latentes, que ya hemos analizado. |
| |
Pero también tenemos esta idea de variables exógenas y esas son las que sólo van a predecir otras variables. |
| |
En nuestro modelo, solo tenemos dos de ellas, que contrastan con las variables endógenas. Por lo tanto, todas las demás variables son endógenas porque otras las predicen. |
| |
Bien, esas son variables endógenas. También tenemos indicadores de variables latentes, y estas son las variables causadas por las variables latentes. |
| |
La varianza residual que no se explica por la variable latente se denomina unicidad, y a menudo también se denomina varianza factorial única. Recuerde que esta es la combinación de la varianza sistemática única de esa variable, además del error de medición. |
| |
Me parece útil cuando las personas están aprendiendo SEM tener una especie de cambio de enfoque en lo que... |
| |
Lo que realmente hace el modelo. En otras palabras, al darnos cuenta de que estamos realizando un análisis multivariado de una estructura de covarianza... |
| |
(y también significa, pero recuerda que hoy no estamos hablando de medios), sino al darnos cuenta de que lo que realmente estamos analizando es la estructura |
| |
de las covarianzas de los datos, lo que nos ayuda a comprender el SEM mucho más fácilmente. |
| |
Porque tiene implicaciones para lo que creemos que son los datos, ¿verdad? Por ejemplo, podemos tener nuestras tablas de datos, donde cada fila representa una observación diferente y cada columna una variable distinta. |
| |
Y definitivamente podemos usar esos datos para lanzar la plataforma SEM en JMP. |
| |
Pero en segundo plano, como detrás de la cortina, lo que hace la plataforma es mirar la matriz de covarianza de esas variables, y esos son, de hecho, los datos que se están analizando. |
| |
Esto también tiene implicaciones para los residuos. A menudo, cuando pensamos en los residuos en SEM, estos se refieren a la matriz de covarianza que analizamos. |
| |
Y esto también es cierto para los grados de libertad, y los grados de libertad serán con respecto a esta matriz de covarianza. |
| |
Bien, y por eso quiero asegurarme de darles una pequeña muestra de cómo funciona SEM en términos de su estimación. |
| |
Y entonces, la forma de comenzar es especificando un modelo y, afortunadamente, en JMP Pro, tenemos esta interfaz de usuario realmente excelente y amigable. |
| |
Donde podemos especificar nuestros modelos directamente con diagramas de trayectorias, en lugar de tener que especificar o listar, ya sabes, sistemas complejos de ecuaciones. Simplemente podemos dibujar los diagramas de trayectorias que implican una estructura de covarianza específica. |
| |
Y 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 con la matriz de covarianza de la muestra lo más cerca posible, con base en el modelo implicado. |
| |
Restricciones, básicamente. Y una vez que tenemos esas estimaciones, podemos introducirlas en la matriz de covarianza implícita del modelo y comparar esos valores con la matriz de covarianza de la muestra. |
| |
Y la diferencia entre ellas nos permite cuantificar el ajuste del modelo. Entonces, si tenemos residuos grandes, al observar la diferencia entre estas dos matrices de covarianza, sabemos que no hemos ajustado bien nuestro modelo. |
| |
Bien, en resumen, así es como funciona el SEM. Me gustaría pasar a la siguiente parte de la presentación para presentar los datos que usaremos para nuestra demostración. Creo que... |
| |
Es más fácil aprender nuevos conceptos cuando tenemos en nuestras manos datos reales y ejemplos 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, en el verano de 2020. |
| |
Los autores querían responder a una pregunta muy sencilla. Se preguntaron cómo las amenazas percibidas de la COVID-19 afectan el bienestar y las conductas de salud pública. |
| |
Es una pregunta sencilla, salvo que la percepción de las amenazas del COVID-19 es un concepto completamente nuevo, ¿verdad? Es una idea muy abstracta. |
| |
¿Sabes qué son las amenazas percibidas de la COVID-19 y cómo se miden? Y como esto es algo que nunca se había medido antes, los autores tuvieron que ser muy cuidadosos. |
| |
Estudio donde desarrollaron una encuesta para poder medir esas amenazas. Y |
| |
Desarrollar una encuesta no es fácil, ¿verdad? Debemos asegurarnos de que las preguntas sean fiables y válidas. |
| |
Y entonces tuvieron que pasar por el proceso y veremos cómo lo hicieron en un minuto. |
| |
Ahora, en su estudio descubrieron que hay dos tipos de amenazas que podían medir, una que llamaron amenazas realistas, y es |
| |
cosas que amenazan nuestra seguridad financiera y física. |
| |
Y el otro tipo de amenaza era... lo llamaron simbólica. Así que 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. Tomaron muestras... |
| |
más de 1.000 personas, por lo que sus preguntas se refieren exclusivamente a la población de los Estados Unidos. |
| |
Lo que vemos aquí es la escala integrada de amenazas de COVID-19. Este es el cuestionario que desarrollaron tras analizar tres estudios diferentes. Descubrieron que esas dos amenazas... |
| |
Podría medirse con un puñado de elementos. Pidieron a sus participantes que respondieran qué tan amenazado, si lo hubiera, es el brote de coronavirus para su salud personal y la salud de la población estadounidense en general. |
| |
Su seguridad financiera personal, etc. Y para la amenaza simbólica, las preguntas eran, ya sabe, |
| |
¿Cuánta amenaza representa el virus para lo que significa ser estadounidense, los valores y tradiciones estadounidenses, y los derechos y libertades de la población estadounidense en general, etc.? Así, se pueden apreciar 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 la COVID-19? Nos centraremos en las dos amenazas que identificaron. |
| |
Y esto nos llevará a hablar sobre el análisis factorial confirmatorio y a 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 uno haría antes |
| |
Usando SEM, ¿cierto? Se realiza un análisis factorial exploratorio y luego se recurre al SEM para confirmar la estructura de los resultados previos. Los autores de este artículo definitivamente lo hicieron, pero nos centraremos en los pasos que seguiríamos usando SEM. |
| |
La segunda pregunta es: ¿las percepciones de la amenaza de la COVID-19 predicen indicadores de bienestar y comportamientos de salud pública? Esta pregunta nos llevará a hablar sobre la regresión múltiple y el análisis de trayectorias dentro del SEM. |
| |
La última pregunta es: ¿son iguales los efectos de cada tipo de amenaza en los resultados? Esto nos permite mostrar una característica muy interesante del SEM: establecer restricciones de igualdad en nuestros modelos y realizar comparaciones sistemáticas para responder a estas preguntas. |
| |
Muy bien, entonces es hora de la demostración, y ya tengo... veamos... |
| |
Ups, ¿cómo salgo de aquí? |
| |
Todavía no es momento de preguntas. |
| |
Solo quiero salir de la pantalla y no puedo hacerlo. |
| |
Bueno, aquí vamos, tenemos... |
| |
Ya tengo abierta la tabla de datos de JMP aquí. Estos datos... pueden ver que tienen 238 columnas, así que eso se debe a que los autores lo pidieron. |
| |
una serie de preguntas diferentes a 550 participantes en este caso; 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. |
| |
Estos serán los que usaremos primero para realizar un análisis factorial confirmatorio. Haremos clic en "Analizar" y pasaremos a métodos multivariados, modelos de ecuaciones estructurales. |
| |
Y vamos a utilizar esas 10 variables y hacer 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, ya sabes, todas las características que discutimos antes, 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 doble punta que comienzan y terminan en sí mismas, por lo que representan una varianza de cada una de esas variables. |
| |
Ahora, si hago clic derecho en el lienzo, hay un menú de visualización y observo que las medias y las intersecciones están ocultas de manera predeterminada. |
| |
Voy a hacer clic aquí solo para mostrarte que, de hecho, tenemos |
| |
Significa estimar por defecto todas estas variables. Por lo tanto, no vamos a hablar de ellas, así que las mantendremos ocultas, pero creo que es importante saber... |
| |
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. Por lo tanto, todos los diferentes tipos de parámetros se dividen según su tipo, de modo que tenemos todas las varianzas aquí y todas las medias allá. |
| |
Bien, tenemos una pestaña de estado que básicamente nos informa sobre el modelo específico que hemos especificado. Nos proporciona mucha información útil sobre ese modelo. |
| |
Tenemos detalles sobre los datos, el tamaño de la muestra, los grados de libertad y también estas reglas de identificación. Puedes hacer clic en ellas si quieres saber más sobre ellas. Te da una idea... |
| |
Una pequeña descripción a la derecha. |
| |
Pero lo realmente útil es saber que este ícono de la pestaña de estado cambia constantemente, según los cambios que hagamos y las especificaciones del modelo. Por lo tanto, a menudo, si tenemos una aplicación avanzada de SEM, esto... |
| |
El ícono podría ser amarillo, y cuando se produce un error grave, un error importante, el ícono será naranja con una X, lo que indica que hay un error. Por lo tanto, podría ser muy útil identificar errores al especificar nuestros modelos. |
| |
Ahora, en el lado izquierdo de la interfaz de usuario, vemos que podemos |
| |
Especificamos el nombre de nuestro modelo, lo cual es muy útil para realizar un seguimiento de nuestro flujo de trabajo. También tenemos las listas "Desde" y "Hasta". |
| |
Y así, estas listas proporcionan una forma muy útil de vincular variables, ya sea utilizando una flecha de una punta o una flecha de dos puntas. |
| |
Aquí, por ejemplo, si quiero vincularlos, puedo hacer clic en ese botón y, rápidamente, dibujaré un diagrama de ruta. Es una forma muy eficiente de especificar modelos. |
| |
Y entonces voy a hacer clic en restablecer aquí solo para volver al modelo que teníamos al lanzar 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 corresponden a los elementos de esa encuesta para la amenaza realista. Así que voy a añadir 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 amenaza latente realista. Al hacer clic en este botón, |
| |
Inmediatamente obtengo esa variable latente especificada. Y observe que la primera carga de esta variable latente de amenaza realista tiene un 1 en esto... |
| |
en esta en esta flecha, y eso básicamente representa el hecho de que el parámetro está fijado al valor de 1. |
| |
Y lo hacemos 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 lograrlo. |
| |
El mismo propósito si fijamos la varianza de la variable latente a 1. Entonces, cuál hacemos es realmente una cuestión de elección, pero por defecto, la plataforma fijará la primera carga a 1. Bien, entonces tenemos una variable latente de amenazas realistas y las otras cinco |
| |
Las variables aquí corresponden a las preguntas sobre amenazas simbólicas. Las seleccionaré y haré clic aquí. Escribiré "Simbólico" y haré clic en el botón "+" para agregar esa amenaza simbólica. |
| |
Bien, casi terminamos, pero observen que este modelo implica que las amenazas realistas y simbólicas no tienen ninguna correlación entre sí, y esa es una suposición muy sólida. Por lo tanto, no queremos hacerlo. |
| |
En su mayor parte, la mayoría de los modelos factoriales 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 rutas. Así, si hago clic derecho en la variable latente, puedo hacer clic en "Agregar covarianzas" y... |
| |
Ahí mismo, puedo agregar esa covarianza. Es una forma genial. Puedes hacerlo con la lista o directamente en el diagrama. |
| |
Cualquiera que sea su elección. Nuestro modelo está listo para ser estimado, así que voy a cambiarle el nombre a CFA de 2 factores y podemos ejecutarlo. |
| |
Como pueden ver, rápidamente obtenemos nuestras estimaciones y las representamos en el diagrama, lo cual es genial. Pero antes de interpretar los resultados, quiero centrarnos 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 correctamente antes de interpretar los resultados. |
| |
Lo primero que hay que notar aquí es que tenemos tres modelos en esta...en esta tabla y solo encajamos uno de ellos. |
| |
Así que la razón por la que tenemos tres es porque los dos primeros modelos, el modelo sin restricciones y el modelo de independencia, no son compatibles de forma predeterminada al lanzar la plataforma. |
| |
Y entonces ajustamos estos modelos a propósito para proporcionar una línea base de lo que es un modelo de ajuste realmente bueno y lo que es un modelo de ajuste realmente malo, y luego los usamos como marco de comparación. |
| |
Con nuestros propios modelos específicos. Permítanme ser un poco más específico. Por ejemplo, el modelo sin restricciones sería un modelo (lo mostraré con el diagrama de rutas), |
| |
El modelo sin restricciones es aquel en el que se permite que cada variable covaríe con las demás. Observen que |
| |
El estadístico Chi-cuadrado, que es una medida de desajuste, es exactamente cero, y la razón es que este modelo se ajusta perfectamente a los datos. Recuerde que nuestros datos son la matriz de covarianza de los datos, ¿verdad? Por lo tanto, tenemos cero grados de libertad porque hemos especificado... |
| |
tienen cero grados de libertad porque estamos estimando cada varianza y covarianza posible en los datos. |
| |
Así que este es el mejor escenario posible, ¿verdad? No tenemos ningún desajuste, pero también estamos calculando todas las estimaciones posibles a partir de los datos. |
| |
El otro extremo del espectro es un modelo que encajaría muy mal, y eso es lo que es el modelo de independencia. Así que si les muestro con el diagrama de trayectoria, |
| |
Aquí, nuestro modelo predeterminado, donde solo tenemos la varianza como media de los datos, es precisamente 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 mucho desajuste, ¿cierto?, entonces son casi 2000 unidades, pero tenemos |
| |
45 grados de libertad porque estamos estimando muy pocos datos. Por lo tanto, estos dos modelos básicamente proporcionan... |
| |
Los dos extremos del espectro, ¿verdad? Por un lado, un modelo con un ajuste excelente y, por otro, uno con un ajuste deficiente. Así que podremos usar esa información para comparar nuestro propio modelo con los de ellos. |
| |
Entonces, si observamos nuestro modelo, observemos que el estadístico Chi cuadrado no es cero, sino solo 147 unidades, lo cual es mucho menor que 2000. |
| |
Y tenemos 34 grados de libertad, así que sí tenemos cierto desajuste. Y al analizar la prueba de Chi-cuadrado, se observa que el Chi-cuadrado es significativo, lo que sugiere que tenemos un desajuste estadísticamente significativo en los datos. |
| |
Sin embargo, la estadística de Chi cuadrado está influenciada 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 no solo buscar la estadística de Chi cuadrado, sino también algún punto especial. |
| |
índices de ajuste que son exclusivos de SEM que nos permiten cuantificar el ajuste del modelo, y ahí están los valores que se muestran aquí a la derecha. |
| |
Este primer índice de ajuste se llama índice de ajuste comparativo y |
| |
El índice varía de cero a uno, por lo que pueden ver que el modelo sin restricciones tiene un uno. Ese es el modelo de mejor ajuste, mientras que el modelo de independencia tiene cero, ya que es el modelo de peor ajuste. Nuestro modelo tiene un CFI de 0,93, aproximadamente 0,94. |
| |
Y eso representa la proporción de mejora con respecto al modelo de independencia. Otra forma de decirlo es... |
| |
Nuestro modelo se ajusta aproximadamente un 94 % mejor que el modelo de independencia, lo cual es bastante bueno. Normalmente, buscamos valores de CFI de 0,9 o superiores. Cuanto más cerca de 1, mejor. |
| |
Ahora bien, el error cuadrático medio de aproximación es otro índice de ajuste, pero ese, |
| |
Aunque también varía de cero a uno, queremos valores muy bajos en ese índice. Observe que el modelo sin restricciones tiene un valor de cero. |
| |
El modelo de independencia es 0,27. Normalmente buscamos valores de 0,1 o menos para modelos aceptables. El nuestro tiene un 0,07, aproximadamente 0,08, lo cual es bastante bueno. |
| |
También tenemos intervalos de confianza para esta estimación en particular, y pueden ver que esos valores también están por debajo de 0,1, por lo que este es un modelo con buen ajuste, ¿verdad? Una vez que sabemos que el modelo se ajusta bien a nuestros datos, podemos interpretarlo. |
| |
Ahora, como opción 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 las estimaciones estandarizadas. |
| |
Y entonces, ahora los valores aquí están en una métrica correlacional, por lo que queremos que esos valores sean lo más cercanos a uno como sea posible. |
| |
Porque representan la correlación entre la variable observada y la variable latente. Y observen que, tanto para la amenaza realista como para la simbólica, los valores son bastante buenos. |
| |
No queremos que sean inferiores a aproximadamente 0,4, por lo que estos valores son buenos. Otra característica única y realmente útil, exclusiva de JMP Pro, es que las variables aquí... cualquier variable endógena que tenga... |
| |
predictores, correcto, 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 variación explicada por los predictores. |
| |
Esto nos permite ver rápidamente qué variables explicaban bien su varianza. En este caso, parece que estas tres variables... |
| |
están más llenos de ese gris más oscuro, lo que sugiere que la variable latente de amenazas simbólicas está haciendo un buen trabajo al explicar la varianza de estas tres variables observadas. |
| |
También vemos que las dos variables latentes están correlacionadas alrededor de 0,4, lo que 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". Aquí encontraremos numerosas estadísticas que nos permitirán cuantificar la fiabilidad y la validez de nuestros constructos. |
| |
Si hacemos clic ahí, tenemos este pequeño y atractivo panel. La primera información que tenemos aquí es... |
| |
confiabilidad del indicador, por lo que esto cuantifica la confiabilidad de cada una de las preguntas de esa encuesta y proporcionamos un gráfico que lo es. |
| |
Mostrándonos todos estos valores. Observen que tenemos una línea roja aquí para el umbral de lo que esperamos tener, ¿cierto? Queremos tener al menos esa confiabilidad en cada uno de nuestros elementos. Ahora, |
| |
Ya sabes, este tipo de umbrales deben interpretarse, ya sabes, con nuestro propio pensamiento crítico, porque obviamente, |
| |
Ya sabes, este artículo en particular, por ejemplo, está por debajo del umbral, pero aún está bastante cerca, así que no lo descartaremos. Aún podemos considerarlo. |
| |
Relativamente fiable y sigue siendo un buen indicador de esta variable latente. Sin embargo, insistimos en que los umbrales deben interpretarse con cautela. |
| |
Pero algo que se desprende de este gráfico es que la variable latente de las amenazas simbólicas parece tener indicadores más fiables que las amenazas realistas. Ambas son bastante buenas, pero la simbólica, como saben, la estamos midiendo mejor. |
| |
Los valores a la derecha son coeficientes de fiabilidad de los compuestos. En otras palabras, cuantifican la fiabilidad de la variable latente en su conjunto, y existen dos tipos de fiabilidad. |
| |
No voy a entrar en detalles sobre sus diferencias, pero observe que estos valores van de cero a uno y queremos que sean lo más cercanos posible a uno. También proporcionamos |
| |
Ya sabes, algunas gráficas tienen un umbral que indica cuál es el nivel de confiabilidad deseado, el mínimo y, en este caso, tanto la amenaza realista como la 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 medir. ¿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 triángulo inferior... |
| |
Debajo de la diagonal, tenemos la correlación entre la variable latente. Es de aproximadamente 0,4. Las entradas de la diagonal representan la varianza promedio extraída. |
| |
de lo que las variables latentes extraen de sus indicadores. Por lo tanto, se busca 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. |
| |
Y entonces la clave para interpretar esta matriz es que queremos que los valores en la diagonal sean mayores. |
| |
que los valores de arriba y a la derecha de la diagonal, y note aquí que 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 eso es una buena evidencia de validez de constructo. |
| |
Así pues, todo lo que aquí se dice es que tanto las amenazas realistas como las simbólicas son, de hecho, |
| |
variables latentes que son válidas, que son confiables, y la encuesta parece hacer un buen trabajo al medir ambas. |
| |
Entonces, el siguiente paso podría ser tomar todas esas cinco preguntas que representan las amenazas realistas aquí y crear un promedio para todas ellas. |
| |
De repente, tendríamos una medida que representa amenazas realistas. Podríamos hacer lo mismo con las otras cinco variables que representan amenazas simbólicas. |
| |
Y, a modo de ejemplo, ya he creado esas variables, así que vamos a analizarlas con métodos multivariados y modelos de ecuaciones estructurales. Voy a buscarlas. |
| |
Variable promedio. Para las amenazas realistas y simbólicas, estos son los promedios de las columnas para cada una de estas variables. |
| |
Y voy a modelar esos además de... tenemos una medida para la ansiedad, también tenemos una medida para los afectos negativos o emociones negativas negativas. |
| |
Y por último, tenemos una medida de adherencia a los comportamientos de salud pública, y también vamos a modelarla y haremos clic en Aceptar para iniciar la plataforma. |
| |
Los botones del diagrama aquí nos permiten acceder a un menú personalizado y cambiar diversos aspectos del diagrama, lo cual es realmente genial. Ahora mismo, me centraré 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 ajustar un modelo donde tanto las amenazas realistas como las simbólicas serán predictores de estos resultados interesantes, ¿cierto? Hay una especie de |
| |
Marcadores de ansiedad, afecto negativo y comportamientos de salud pública. Los vincularemos con una flecha de una punta para especificar las predicciones. Investigaremos si estos efectos son, de hecho, significativos. |
| |
Ahora note que aún no he terminado de especificar completamente este modelo, porque en este modelo en particular, |
| |
No hay conexión entre las amenazas realistas y las simbólicas, y sería una restricción muy fuerte en el modelo decir que estas dos cosas no son |
| |
Covariando en absoluto. Por lo tanto, siempre debemos asegurarnos de incluir covarianzas entre nuestros predictores y también entre las varianzas residuales de nuestros resultados. |
| |
Y entonces podríamos especificarlos directamente desde la lista Desde, en este caso voy a usar agregar covarianzas desde este menú, y voy a vincular las amenazas realistas y simbólicas. |
| |
También usaré las listas para agregar covarianzas entre los residuos de estos resultados. Y ahora tenemos un modelo completo y correctamente especificado, lo que a menudo se denomina análisis de trayectorias, pero también... |
| |
Es básicamente una colección, una colección simultánea de modelos de regresión y por eso vamos a ejecutarla. |
| |
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 posible de nuestros datos. Eso es básicamente lo que hacemos al ajustar un modelo de regresión. No hay problema, pero recuerden que no pueden interpretar este Chi Cuadrado y decir: «Mi modelo encaja a la perfección». |
| |
Encaja bien porque has extraído todo lo que podrías haber extraído del modelo. En cualquier caso, es como un modelo de regresión. |
| |
Bien, si analizamos los resultados, hay mucha información importante que podemos interpretar, pero me centraré en un par de cosas. Primero, |
| |
Observen que nuestros diagramas son totalmente interactivos, lo cual es genial. Estoy modificando los elementos para enfocarme en un par de efectos. Voy a ocultar las varianzas y las covarianzas en este modelo para que podamos enfocarnos en los resultados de los modelos de regresión. |
| |
Del análisis de trayectoria. Observen que, tanto las amenazas realistas como las simbólicas tienen un efecto positivo en la ansiedad. |
| |
Esto es realmente interesante, y aquí las flechas son sólidas porque los efectos, como se puede ver en la tabla de estimaciones de parámetros, son estadísticamente significativos. Por lo tanto, si fueran insignificantes, |
| |
De hecho, las flechas se mostrarían como flechas discontinuas. Por lo tanto, el diagrama de trayectorias transmite mucha información. Por lo tanto, tenemos efectos positivos significativos en 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 realmente 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, observen, las estimaciones de los parámetros aquí son exactamente iguales a las que obtuvimos con SEM. |
| |
Y eso no es ninguna sorpresa, porque, de hecho, estamos haciendo una regresión simultánea. Así que, hasta este punto, quizás te preguntes... |
| |
¿Qué te aporta SEM?, porque técnicamente podrías ejecutar tres modelos de ajuste separados con estos tres resultados y podrías obtener la misma información que hemos obtenido hasta ahora. |
| |
Sin embargo, si faltan datos, aún así querrás usar SEM porque entonces usaremos... todos los datos se usarán en lugar de eliminar filas. |
| |
Sin embargo, si quieres utilizar SEM también podrás responder preguntas adicionales que son bastante interesantes. |
| |
En este caso, podríamos preguntarnos si el efecto que la amenaza realista tiene sobre la ansiedad es estadísticamente mayor. |
| |
Que el efecto que la amenaza simbólica tiene sobre la ansiedad, ¿cierto? Hasta ahora, sabemos que ambos son significativamente diferentes de cero, pero ¿son significativamente diferentes entre sí? |
| |
Y esa es una pregunta que podemos responder usando la plataforma SEM. Volviendo al panel de especificaciones del modelo, podemos seleccionar ambos efectos. Aquí arriba, en los botones de Acción, tenemos el botón de igualar. Si lo presionamos, observe que aparece un pequeño... |
| |
Aquí hay una etiqueta que implica que ambos efectos se establecerán como iguales. Se estimarán como uno solo. Por lo tanto, si cambiamos el nombre a "efectos iguales" y ejecutamos este modelo, obtendremos las estadísticas de ajuste para ese efecto específico. |
| |
Modelo con restricciones de igualdad. Observen que ahora hemos ganado un grado de libertad, así 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. Aquí podemos ver que se trata de aproximadamente 8,6 unidades en la métrica Chi-cuadrado y el valor p para eso es, de hecho, significativo. Esto sugiere que |
| |
Establecer esa restricción de igualdad induce un desajuste significativo en el modelo. Además, como sabemos que el Chi cuadrado está influenciado por el tamaño de la muestra, también tenemos la diferencia en esos... |
| |
Los índices de ajuste que discutimos y para el CFI, por lo general no queremos que esto aumente más de .01 |
| |
Como máximo. De hecho, 0,01 o más no es tan bueno. Y para el RMSEA, no conviene que sea superior a 0,1. |
| |
Así que toda la evidencia aquí sugiere que establecer 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, en base a esa 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, ya saben, vimos un modelo de factor confirmatorio. También vimos... |
| |
Un análisis de trayectoria, donde realizamos un análisis de regresión multivariante, pero podemos usar ambos conceptos en un mismo modelo. Tengo un script guardado en mi tabla de datos, y pueden ver que lo que estoy haciendo en este modelo es... |
| |
Estimación de variables latentes. Modelo variables latentes para amenazas tanto simbólicas como realistas, utilizando los elementos originales de la encuesta y del cuestionario. |
| |
Y así, al hacer esto, en lugar de crear promedios en las columnas, |
| |
En realidad, voy a modelar las variables latentes, y eso me permite obtener efectos de regresión, todos estos efectos entre las variables latentes van a ser imparciales y no atenuados por el error de medición, porque estoy obteniendo un |
| |
Una medida más válida y pura de amenazas simbólicas y realistas. Así que aquí estamos estimando; pueden ver relaciones secuenciales, y mi modelo es mucho más complejo. |
| |
No voy a entrar en los detalles del modelo, pero solo sepan que al modelar las variables latentes y observar las relaciones entre ellas, realmente podemos obtener lo mejor. |
| |
funcionalidad de SEM porque nuestras asociaciones entre esas variables latentes serán mejores estimaciones de... |
| |
Para el modelo. Y de hecho, calculé este modelo; pueden ver los resultados aquí abajo. Observen que hay algunas aristas que... |
| |
que tienen flechas discontinuas, lo que indica que esos efectos no son significativos. También vemos lo potente que es la visualización del sombreado. Podemos explicarlo. |
| |
cierta proporción de la varianza en la adhesión a los comportamientos de salud pública. Y parece que estamos explicando mejor la varianza en el afecto positivo que en cualquiera de los otros resultados aquí. Así que, de nuevo, es... |
| |
Básicamente, lo mejor de ambos mundos, poder especificar nuestras variables latentes pero también modelarlas directamente usando nuestra plataforma. |
| |
Y 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 estos materiales. Son excelentes y contienen muchos consejos sobre cómo interpretar nuestros modelos y cómo usar la tabla de comparación de modelos. |
| |
Básicamente, todas las notas que hayan querido tomar durante esta presentación pueden encontrarlas en el material complementario. Dicho esto, estoy listo para abrir el turno de preguntas. |
