| Vocero |
Transcripción |
| Laura Castro-Schilo |
Hola a todos. Bienvenidos. Esta sesión trata sobre los fundamentos del modelado de ecuaciones estructurales y mi objetivo es proporcionarles las herramientas necesarias para que se sientan cómodos. |
| |
Especificar modelos e interpretar los resultados de los modelos ajustados utilizando la plataforma de modelado de ecuaciones estructurales y JMP Pro. |
| |
Ahora vamos a comenzar dándoles una introducción a lo que es el modelado de ecuaciones estructurales y, en particular, haciendo hincapié en sus conexiones con el análisis factorial y el análisis de regresión. |
| |
A continuación, hablaremos un poco sobre cómo se utilizan los diagramas de ruta en SEM y su importante papel dentro de este marco de modelado. |
| |
Voy a intentar que esta introducción sea breve para que podamos dedicar tiempo a los ejemplos prácticos. Así que, después de la introducción, presentaré los datos que usaré para la demostración. Resulta que estos datos son |
| |
sobre las percepciones de las amenazas del virus Covid-19. Así que, tras presentar esos datos, |
| |
Vamos a empezar a analizar cómo especificar modelos e interpretar sus resultados dentro de la plataforma, específicamente respondiendo a |
| |
Unas cuantas preguntas. Estas preguntas nos permitirán abordar dos técnicas muy importantes que se pueden realizar con un SEM: el análisis factorial confirmatorio y la regresión multivariante. |
| |
Y para concluir, les voy a mostrar un breve resumen. |
| |
modelo en el que reunimos tanto el modelo factorial confirmatorio como los modelos de regresión, y de esa manera realmente se puede ver el potencial que tiene el SEM para usarlo con sus propios datos en su propio trabajo. |
| |
Bien, ¿qué es SEM? El modelado de ecuaciones estructurales es un marco donde se combinan el análisis factorial y el análisis de regresión. |
| |
Y desde el punto de vista del análisis factorial, lo que conseguimos es la capacidad de medir cosas que no observamos directamente. |
| |
En cuanto a la regresión, podemos examinar las relaciones entre variables, tanto observadas como no observadas. Al combinar estas dos herramientas, obtenemos un marco muy flexible: el SEM, que nos permite ajustar diversos modelos. |
| |
Los diagramas de ruta son una herramienta única dentro de SEM, porque todos los modelos estadísticos de ecuaciones estructurales, los modelos propiamente dichos, pueden representarse mediante un diagrama. Por lo tanto, solo tenemos que aprender algunos. |
| |
notación sobre cómo se dibujan esos diagramas. Así, los cuadrados representan variables observadas. |
| |
Los círculos representan variables latentes, las varianzas o covarianzas se representan con flechas de doble punta, y las regresiones y cargas son |
| |
Se representan con flechas de una sola punta. Ahora bien, cabe mencionar que también existe un triángulo que se utiliza para los diagramas de ruta. |
| |
Pero eso queda fuera del alcance de lo que vamos a tratar hoy. El triángulo se usa para representar la media y la ordenada al origen. Y, lamentablemente, no tenemos tiempo suficiente para hablar de todas las cosas increíbles que podemos hacer también con la media. |
| |
De acuerdo. Pero también quiero mostrarles algunos fundamentos... los pilares básicos de |
| |
x, que está en una caja, predice y. |
| |
que también está en una caja. Sabemos entonces que esas son variables observadas y cada una de ellas tiene flechas de doble punta que comienzan y terminan sobre sí mismas, lo que significa que esas son varianzas. |
| |
Para x, esta flecha es simplemente sus variantes, pero para y, las flechas de doble punta representan una varianza residual. |
| |
Ahora bien, seguramente ya sabes que en SEM, una variable de respuesta puede ser tanto variable de respuesta como predictora. Por lo tanto, puedes imaginar otra variable z que y también podría predecir, de modo que podemos incluir tantas regresiones como nos interesen dentro de un mismo modelo. |
| |
El segundo bloque básico para construir SEM son los modelos factoriales confirmatorios y, en su forma más básica, |
| |
El ejemplo más básico de ello se muestra aquí, donde especificamos un factor o una variable latente, que no se observa pero es |
| |
Aquí se muestra con flechas que apuntan a w, x e y porque se cree que la variable latente causa la variabilidad común que vemos en w, x e y. |
| |
Ahora bien, esto de aquí se llama modelo factorial confirmatorio; se trata de un solo factor. Y creo que es muy importante comprender las distinciones de un factor en el análisis factorial. |
| |
perspectiva y distinguirla de los componentes principales o del análisis de componentes principales, que a veces es fácil confundir. |
| |
Así que haré un breve paréntesis para mostrarles en qué se diferencia un factor desde la perspectiva del análisis factorial y desde la del PCA. |
| |
Aquí, estos cuadrados representan las variables observadas, las cosas que estamos midiendo, y los he coloreado de azul. |
| |
diferentes cantidades de cada variable observada, lo que representa la varianza que esas variables pretenden medir. Es como la señal. Es decir, hay |
| |
Esto es lo que realmente nos interesa. Y luego tenemos estas zonas grises que representan una proporción de la varianza que proviene de otras fuentes. Puede tratarse de varianza sistemática, pero simplemente es varianza que no lo es. |
| |
lo que queremos que recoja de nuestro instrumento de medición. Por lo tanto, contiene |
| |
Las fuentes de varianza son variables únicas para cada una de estas variables y también contienen errores de medición. |
| |
Entonces, ¿cuál es la diferencia entre el análisis factorial y el ACP? Es que en el análisis factorial, una variable latente capturará solo la varianza común que |
| |
Existe en todas estas variables observadas, y esa es la parte que explica la variable latente. |
| |
Y eso contrasta con el PCA, donde un componente principal representa la cantidad máxima de varianza que puede explicarse en las dimensiones de los datos. |
| |
Y así, como puede verse, el componente principal va a captar tanta varianza como pueda explicar. |
| |
Y eso significa que habrá una combinación de varianza debida a lo que pretendíamos medir y quizás también a otras fuentes de varianza. Por lo tanto, esta es una distinción muy importante. |
| |
Porque cuando queremos medir variables no observadas, el análisis factorial es sin duda una mejor opción, a menos que sepamos si nuestro objetivo es realmente la reducción de dimensionalidad, en cuyo caso el PCA es una herramienta ideal para ello. |
| |
Observe también que las flechas apuntan en direcciones diferentes. Esto se debe a que, en el análisis factorial, existe la suposición implícita de que la variable no observada es la causante de la variabilidad que observamos. |
| |
Y ese no es el caso en el ACP, como se puede apreciar en el diagrama. Así que, cada vez que hablamos de |
| |
En SEM, si hablamos de un factor o una variable latente, desde la perspectiva del análisis factorial, lo más probable es que nos refiramos a una variable latente. Ahora bien, aquí tenemos un ejemplo. |
| |
Modelo de ecuaciones estructurales de gran tamaño donde he reunido varios elementos diferentes a partir de los componentes básicos que mostré anteriormente. Cuando vemos números es porque hemos estimado este modelo. |
| |
Y vemos que hay variables observadas que predicen otras variables. Tenemos algunas relaciones secuenciales, lo que significa que |
| |
Una variable conduce a otra, y esta a su vez a otra. Este es también un ejemplo interesante porque tenemos una variable latente que se predice a partir de una variable observada. Pero esta variable latente también |
| |
A su vez, predice otras variables. Este diagrama ilustra claramente varios usos que podemos darle al modelado de ecuaciones estructurales (SEM), incluyendo cinco casos en los que tenemos variables no observadas que queremos modelar dentro de un modelo más amplio. |
| |
Contexto. Quizás queramos tener en cuenta el error de medición. Y eso es importante porque las variables latentes se depuran del error de medición, ya que solo explican la varianza común a sus indicadores. |
| |
Nosotros...si también necesitas estudiar relaciones secuenciales entre variables, ya sean observadas o no, SEM es una excelente herramienta para ello. |
| |
Y por último, si tienes datos faltantes, SEM también puede ser muy útil incluso si solo tienes una regresión, porque |
| |
Todos los datos que estén disponibles se utilizarán en SEM durante la estimación, al menos dentro de los algoritmos que tenemos en JMP Pro. |
| |
Así que... esas son razones excelentes para usar SEM. Ahora quiero usar este diagrama también para presentar algunos términos importantes que seguramente encontrarás varias veces si decides que SEM es una herramienta útil. |
| |
Una herramienta que utilizarás en tu propio trabajo. Hablamos de variables observadas, también llamadas variables manifiestas en la jerga de SEM. |
| |
Existen variables latentes. También existen variables llamadas exógenas. En este ejemplo, solo hay dos de ellas. |
| |
Y esas son variables que solo predicen otras variables y contrastan con las variables endógenas, que tienen variables que las predicen. Así que aquí, todas estas otras variables son endógenas. |
| |
Las variables latentes, las variables manifiestas a las que apuntan, que predicen, también se denominan indicadores de variables latentes. |
| |
Y por último, hablamos de la varianza factorial única desde una perspectiva de análisis factorial. Se trata de las varianzas residuales de un factor. |
| |
a partir de una variable latente, que es la varianza que no explica la variable latente, y representa tanto la combinación de la varianza sistemática que es única para esa variable como el error de medición. |
| |
Está bien. |
| |
He descubierto que, para comprender mejor el modelado de ecuaciones estructurales, es importante centrar nuestra atención en darnos cuenta de que los datos que realmente estamos analizando son solo eso: datos. |
| |
El modelo subyacente se basa en la estructura de covarianza de nuestros datos. También modelamos las medias y su estructura, pero, de nuevo, eso queda fuera del alcance de esta presentación. |
| |
Pero es importante reflexionar sobre esto porque tiene implicaciones para lo que creemos que son nuestros datos. |
| |
Ya sabes, estamos acostumbrados a ver nuestras tablas de datos con filas y variables en nuestras columnas, y sí, eso es... |
| |
Estos datos pueden utilizarse para lanzar nuestra plataforma SEM. Sin embargo, en el fondo, nuestros algoritmos analizan la estructura de covarianza de esas variables. Por lo tanto, cuando se piensa en los datos, estos son realmente los datos que son |
| |
que se modelan internamente. Eso también tiene implicaciones cuando pensamos en los residuos, porque los residuos en SEM se refieren a las varianzas y covarianzas de |
| |
Ya sabes, los valores que estimamos, en contraste con los que tenemos en la muestra. Así que, de nuevo, con los residuos necesitamos un pequeño cambio de enfoque respecto a lo que estamos acostumbrados, desde otras técnicas estadísticas estándar a... |
| |
Entendamos qué son los modelos de ecuaciones estructurales. Y conceptos como grados de libertad también se refieren a grados de libertad con respecto a la covarianza. |
| |
matriz. Y una vez que cambiemos este enfoque, creo que será mucho más fácil comprender los modelos de ecuaciones estructurales. |
| |
Ahora quiero repasar brevemente un ejemplo de cómo funciona la estimación SEM. Normalmente, lo que hacemos es empezar especificando un modelo y lo más |
| |
Lo interesante de JMP Pro y nuestra plataforma SEM es que podemos especificar ese modelo directamente a través de un diagrama de ruta, lo que lo hace mucho más intuitivo. |
| |
Y así, en ese diagrama de ruta, al dibujarlo, lo que hacemos es especificar un modelo estadístico que implica |
| |
estructura de la matriz de covarianza de los datos. Por lo tanto, el modelo implica esa estructura de covarianza, pero, por supuesto, también tenemos acceso a la matriz de covarianza de la muestra. |
| |
Y entonces, lo que sucede durante la estimación es que intentamos ajustar los valores de la covarianza de la muestra lo más fielmente posible, teniendo en cuenta lo que el modelo nos indica sobre las relaciones entre los datos, no entre las variables. |
| |
Y una vez que tenemos las estimaciones de nuestro modelo, las usamos para obtener un valor real. |
| |
matriz de covarianza implícita en el modelo que podemos comparar con la matriz de covarianza de la muestra. Así, al observar la diferencia entre esas dos matrices, |
| |
Podemos obtener residuos, lo que nos permite hacernos una idea de la bondad de ajuste de nuestros modelos. En resumen, así es como funciona el modelado de ecuaciones estructurales. |
| |
Hemos terminado con la introducción. Ahora quiero presentarles y darles un poco de contexto sobre los datos que voy a usar para nuestra demostración. |
| |
Estos datos provienen de un artículo publicado muy recientemente en la revista Journal of Social, Psychological and Personality Science. |
| |
Los autores de este artículo querían responder a una pregunta sencilla: "¿Cómo influyen las amenazas percibidas de la COVID-19 en nuestro bienestar y en nuestros comportamientos relacionados con la salud pública?". Lo realmente interesante de esta pregunta es que las amenazas percibidas de |
| |
La COVID-19 es un concepto muy abstracto. Es una construcción para la cual no tenemos un instrumento para medirla. Es algo que no observamos directamente. |
| |
Y por eso, en este artículo, tuvieron que averiguar primero cómo medir esas amenazas percibidas. |
| |
El artículo se centró en dos tipos específicos de amenazas. A las primeras las denominan amenazas realistas, porque están relacionadas con la seguridad física o financiera. |
| |
Y también las amenazas simbólicas, que son aquellas que se plantean contra la identidad sociocultural de una persona. |
| |
Y así fue como llegaron a esta escala final de amenazas, siguiendo un proceso muy riguroso para desarrollar esta encuesta, esta escala para medir la amenaza real y la amenaza simbólica. |
| |
Aquí se puede ver que las personas tuvieron que responder qué tan amenazante, si es que lo es, resulta el brote de coronavirus para su salud personal. |
| |
Ya sabes, la economía estadounidense, qué significa ser estadounidense, los valores y tradiciones estadounidenses. Básicamente, estas preguntas se centran en dos aspectos diferentes de... |
| |
La amenaza del virus, que calificaron de realista, porque aborda cuestiones de salud personal y financiera. |
| |
Y la amenaza simbólica tiene más que ver con el componente sociocultural. Aquí pueden verse todas esas cuestiones. |
| |
Obtuvimos los datos de uno de los tres estudios que realizaron. Estos datos provienen de 550 participantes que respondieron a todas las preguntas, además de otras encuestas, por lo que podremos utilizarlos en nuestra demostración. |
| |
Y vamos a responder algunas preguntas muy específicas. La primera es: ¿cómo medimos la percepción de las amenazas de la COVID-19? Nos interesan dos tipos de amenazas. Y la cuestión es: ¿cómo lo hacemos, dado que se trata de un concepto tan abstracto? |
| |
Y esto nos llevará a hablar del análisis factorial confirmatorio y de las formas en que podemos evaluar la validez y la fiabilidad de nuestras encuestas. |
| |
Sin embargo, hay algo de lo que no vamos a hablar: el primer paso, que es el análisis factorial exploratorio. Este análisis se realiza fuera del marco del SEM. |
| |
y es algo que debería hacerse como el primer paso para desarrollar una nueva escala o una nueva encuesta, pero aquí vamos a retomar el paso del análisis factorial confirmatorio. |
| |
Una segunda pregunta es si las percepciones de las amenazas de la COVID-19 predicen el bienestar y los comportamientos de salud pública. Y esto nos llevará a hablar más sobre conceptos de regresión. |
| |
Y, por último, ¿son iguales los efectos de cada tipo de amenaza en los resultados? Y aquí es donde vamos a aprender sobre un aspecto muy singular. |
| |
Una característica útil del SEM es que nos permite imponer restricciones de igualdad a diferentes efectos dentro de nuestros modelos y realizar comparaciones sistemáticas de modelos para responder a este tipo de preguntas. |
| |
Bien, es hora de nuestra demostración. Permítanme mostrarles los datos, que ya tengo abiertos aquí. |
| |
Como puedes ver, mi tabla de datos tiene muchísimas columnas, porque hay varias encuestas diferentes en las que participaron los participantes. |
| |
Las primeras 10 columnas que aparecen aquí son esas preguntas, o las respuestas a las preguntas que les mostré en esa encuesta. |
| |
Así que lo que vamos a hacer es analizar, mediante métodos multivariados, modelos de ecuaciones estructurales y vamos a utilizarlos. |
| |
Las respuestas de la encuesta. Vamos a usar los 10 ítems como variables de modelo para poder lanzar nuestra plataforma con esos datos. |
| |
Ahora mismo tengo una tabla de datos con una observación por fila. Ese es el formato de datos ancho, y es el que voy a usar. |
| |
Pero fíjate que hay otra pestaña para resumir datos. Así que si solo tienes la matriz de correlación o covarianza, ahora puedes introducirla... bueno, podrás hacerlo en JMP 16. |
| |
JMP Pro 16 es otra opción, ya que, recordemos, al final lo que hacemos es modelar estructuras de covarianza. Para iniciar la plataforma, puedes usar la función de resumen de datos. |
| |
De acuerdo, hagamos clic en Aceptar. Lo primero que vemos es esta ventana de especificaciones del modelo que nos permite hacer todo tipo de cosas interesantes. |
| |
Veamos, aquí a la derecha tenemos el diagrama y observe que tiene una especificación predeterminada. Así que nuestras variables |
| |
Todas tienen flechas de doble punta, lo que significa que todas tienen una variación. |
| |
También tienen una media, pero fíjate que si hago clic derecho en el lienzo aquí, me aparecen opciones para mostrar las medias o las intersecciones. |
| |
Repito, esto está fuera del alcance de hoy, así que voy a mantener esos datos ocultos, pero sepan que el modelo predeterminado de la plataforma tiene varianzas y medias para cada variable que observamos. |
| |
La pestaña de lista contiene la misma información que el diagrama, pero en formato de lista y dividirá su |
| |
rutas o efectos según su tipo. También tenemos un paso de estado que proporciona muchísima información sobre el modelo que tenemos en ese preciso momento. Así que ahora mismo, nos dice: |
| |
Como sabes, los grados de libertad que tenemos, dado que este es el modelo que hemos especificado aquí, corresponden al modelo predeterminado. Y también nos proporciona detalles de los datos y otra información útil. |
| |
Ten en cuenta que esta pequeña marca de verificación cambia si hay algún problema con tu modelo. Así que, mientras especificas tu modelo, si encontramos algo que parezca problemático o un error, esta pestaña cambiará de color y tipo. |
| |
y, por lo tanto, esperamos que sea útil para ayudarle a resolver cualquier tipo de problema con las especificaciones del modelo. |
| |
Bien, en el extremo izquierdo tenemos un área para el nombre del modelo. También tenemos listas "desde" y "hasta". Esto facilita mucho la selección de variables. |
| |
en el origen y luego en el destino, dondequiera que se encuentren. Y podemos conectarlos con flechas de una o dos puntas, que sabemos que son regresiones, cargas factoriales, varianzas o covarianzas. |
| |
En nuestro caso actual, realmente queremos averiguar cómo medimos esta construcción no observable de las percepciones sobre el Covid-19. |
| |
amenaza. Y sé que los cinco primeros elementos que tengo aquí son las respuestas a preguntas que los autores calificaron como amenazas realistas. Así que voy a seleccionar esos. |
| |
variables y ahora aquí vamos a cambiar el nombre predeterminado de la variable latente a realista porque esa será la variable latente de amenaza realista. Así que hago clic en el botón más. Y fíjate, automáticamente te damos |
| |
Este modelo factorial confirmatorio presenta un factor para la amenaza realista. Un dato interesante es que la primera carga factorial tiene un valor de 1. |
| |
eso indica que esta ruta, este efecto de la variable latente sobre la primera variable observada, está fijado en uno. |
| |
Y necesitamos eso, porque de lo contrario nuestro modelo no podría ser identificado. |
| |
Por lo tanto, por defecto, fijaremos su primera carga en uno para identificar el modelo y poder obtener todas sus estimaciones. |
| |
Una alternativa sería fijar la varianza de la variable latente en uno, lo que también ayudaría a identificar el modelo, pero es una cuestión de elección. |
| |
Bien, ya tenemos un modelo de amenaza realista. Ahora voy a seleccionar las amenazas simbólicas, a las que llamaré "simbólicas", y vamos a añadirlas. |
| |
nuestra variable latente para eso. Cambié la resolución. Y ahora vemos un poco menos de lo que esperaba. Pero bueno, aquí está nuestro modelo. |
| |
Es posible que queramos |
| |
especificar, y esto es realmente muy importante, |
| |
Amenazas realistas y simbólicas. Prevemos que varíen, que covaríen y, por lo tanto, las seleccionaríamos en nuestra lista de origen y destino y haríamos clic en nuestra flecha de doble punta para añadir esa covariación. |
| |
Aquí tenemos nuestro análisis factorial confirmatorio completo de dos factores. Podemos nombrar nuestro modelo y ejecutarlo. Hagamos clic en Ejecutar. |
| |
Y obtenemos todos nuestros presupuestos muy rápidamente. Aquí está todo. |
| |
Sin embargo, quiero que presten atención a la tabla de comparación de modelos. El motivo es que queremos asegurarnos de que nuestro modelo se ajusta bien antes de comenzar a interpretar los resultados. |
| |
Hablemos entonces de lo que aparece en esta tabla. Primero, observemos que hay dos modelos que no pudimos ajustar, pero la plataforma los ajusta por defecto al iniciarse. |
| |
Y las usamos como una especie de referencia, una base con la que podemos comparar un modelo. El modelo sin restricciones que les mostraré aquí, |
| |
Si todas las variables covariaran entre sí, ese sería el modelo sin restricciones. En otras palabras, sería un punto de partida para el mejor ajuste posible. |
| |
Ahora bien, el estadístico chi cuadrado representa la cantidad de desajuste en un modelo. Y dado que aquí estamos estimando todas las varianzas y covarianzas posibles sin ninguna restricción, |
| |
Por eso el chi cuadrado es cero. Ahora bien, también tenemos cero grados de libertad porque estamos estimando todo. Por lo tanto, es un modelo con un ajuste perfecto y sirve como base para... |
| |
Sirve como punto de partida para comprender qué es lo mejor que podemos hacer. |
| |
Bien, entonces el modelo de independencia es el que teníamos por defecto cuando lanzamos la plataforma. Es decir, es un modelo base bastante malo, aunque quizá no el peor. |
| |
Se trata de un modelo donde las variables no están correlacionadas entre sí. Y, efectivamente, se observa que el estadístico chi cuadrado aumenta hasta aproximadamente 2000 unidades. Pero, claro, ahora tenemos 45 grados de libertad porque en este modelo no estamos estimando prácticamente nada. |
| |
Y por último, tenemos nuestro propio modelo factorial confirmatorio de dos factores y también vemos que el valor de chi cuadrado es grande, es 147. |
| |
Con 34 grados de libertad. Es mucho menor que el modelo de independencia, así que, afortunadamente, estamos mejor, pero sigue siendo un chi cuadrado significativo, lo que sugiere que hay un desajuste significativo en los datos. |
| |
Ahora bien, aquí surge un gran desafío con los modelos de ecuaciones estructurales (SEM). Antiguamente, se reconocía que el valor de chi cuadrado se veía afectado por el tamaño de la muestra. En este caso, tenemos 550 observaciones, por lo que es muy probable que incluso los modelos con buen ajuste presenten cierta desviación. |
| |
Esto resultará significativo debido al gran tamaño de la muestra. Lo que ha ocurrido es que se han desarrollado índices de ajuste propios de los modelos de ecuaciones estructurales (SEM) para permitirnos evaluar el ajuste del modelo, independientemente del valor de chi cuadrado, y es ahí donde entran en juego estos modelos de referencia. |
| |
El primero de aquí se llama índice de ajuste comparativo. Su valor oscila entre cero y uno. Como puede verse, uno representa un modelo con un ajuste perfecto y cero un modelo con un ajuste muy deficiente, el modelo de independencia. |
| |
Y |
| |
Sigo ordenando esto por accidente. Bien, entonces, ¿qué significa este índice para nuestro modelo, 0.9395? Es la proporción, sí, es una proporción de cuánto mejor lo estamos haciendo con nuestro modelo. |
| |
En comparación con el modelo de independencia, esto es, digamos, un 94 % mejor que el modelo de independencia, lo cual es bastante bueno. |
| |
Las directrices establecen que un CFI de 0,9 o superior es aceptable. Generalmente, se busca que esté lo más cerca posible de uno, siendo 0,95 el valor ideal. |
| |
También tenemos el RMSCA, el error cuadrático medio de aproximación, que representa la cantidad de desajuste por grado de libertad. |
| |
Por lo tanto, queremos que sea muy pequeño. También varía de cero a uno. Y como pueden ver aquí, nuestro modelo tiene 0,07, aproximadamente 0,08. |
| |
En general, un valor de 0,1 o inferior es bueno, adecuado, y eso es lo que buscamos. A lo largo del análisis, obtenemos algunos intervalos de confianza en torno a esta estadística. |
| |
Esto sugiere que, efectivamente, el modelo se ajusta bien... es un modelo de ajuste aceptable y, por lo tanto, vamos a proceder a intentar interpretarlo. |
| |
Pero es muy importante evaluar el ajuste del modelo antes de adentrarnos en sus detalles, porque no vamos a aprender mucho, o al menos no mucha información útil, si nuestro modelo no se ajusta bien desde el principio. |
| |
Bien, entonces, como se trata de un análisis factorial confirmatorio, nos resultará muy útil mostrar (hago clic derecho aquí), y ahora voy a mostrar las estimaciones estandarizadas en el diagrama. De acuerdo. Esto significa que vamos a tener |
| |
Aquí se presentan estimaciones para las cargas factoriales que se encuentran en la métrica de correlación, lo cual es realmente útil e importante para interpretar estas cargas en el análisis factorial. |
| |
Este valor también se reescalará para que represente la correlación real entre estas dos variables latentes, que en este caso es |
| |
Punto importante para la correlación. En el menú del triángulo rojo, también podemos encontrar los coeficientes de los parámetros estandarizados en forma de tabla, lo que nos permite obtener más detalles sobre los errores estándar, el estadístico Z, etc. |
| |
Pero como puede verse aquí, todos estos valores son bastante... ya sabe, son bastante aceptables. Representan la correlación entre la variable observada y la variable latente. |
| |
Y por lo general rondan entre 0,48 y 0,8 aproximadamente por aquí. Así que son valores bastante decentes. Queremos que sean lo más altos posible. |
| |
Y otra cosa que vais a notar aquí sobre nuestros diagramas, que es una característica de JMP Pro 16, es que |
| |
Estas variables observadas tienen un poco de sombreado, una pequeña zona gris aquí, que en realidad representa la cantidad o porción de |
| |
varianza explicada por la variable latente. Es realmente interesante, porque se puede apreciar visualmente, a través del ligero sombreado, que las variables para amenazas simbólicas |
| |
De hecho, la variable latente explica una mayor proporción de su varianza. Por lo tanto, quizás este sea un factor más adecuado que el factor de amenaza realista, simplemente considerando la cantidad de varianza que explica. |
| |
Ahora quiero llamar su atención sobre una opción llamada modelo de evaluación de medición, que será de gran ayuda para comprender si |
| |
Las preguntas, las preguntas individuales de esa encuesta, son en realidad buenas preguntas. |
| |
Sabemos que, basándonos en la fiabilidad estadística del indicador, queremos que nuestras preguntas sean fiables, y eso es lo que estamos representando gráficamente en este lado. Así que observe que damos un poco de margen. |
| |
Aquí se muestra una línea con un umbral sugerido de fiabilidad aceptable para cualquiera de estas preguntas, y se puede observar que la amenaza simbólica es una mejor opción. |
| |
Parece que está funcionando un poco mejor. Las preguntas son más fiables en comparación con la amenaza realista. Pero, en general, ambas son bastante buenas. |
| |
Sabes, el hecho de que no crucen la línea no es terrible. Quiero decir, están cerca... estas dos preguntas están cerca de... |
| |
umbral adecuado que esperaríamos para la fiabilidad del indicador. También disponemos de estadísticas que nos informan sobre la fiabilidad del compuesto. En otras palabras, si analizáramos todas estas preguntas y |
| |
Quizás podríamos recopilar todas estas preguntas para una amenaza realista y obtener una puntuación promedio para todas las respuestas. |
| |
por individuo, eso sería un índice compuesto para la amenaza realista y podríamos hacer lo mismo para la simbólica. |
| |
Así pues, lo que tenemos aquí es ese índice de fiabilidad. Todos estos índices, por cierto, oscilan entre cero y uno. |
| |
Por eso queremos que sean lo más parecidos posible, porque queremos que sean muy fiables, y aquí vemos que ambos aspectos lo son. |
| |
Los compuestos tienen una fiabilidad adecuada. Por lo tanto, son útiles para utilizar una puntuación media entre ellos en otros análisis. |
| |
También hemos construido una fiabilidad máxima, y estos son más bien los valores de fiabilidad de las propias variables latentes que de |
| |
Se trata de crear promedios. Por lo tanto, estos valores siempre serán un poco más altos porque, al usar variables latentes, se obtienen mejores mediciones. |
| |
La matriz de validez de constructo nos proporciona muchísima información útil. La clave aquí es que el triángulo inferior simplemente muestra la correlación entre los dos factores en este caso. |
| |
Pero los valores de la diagonal representan la varianza promedio extraída de todos los indicadores del factor. |
| |
Así pues, aquí vemos que las amenazas simbólicas tienen, en promedio, una mayor varianza explicada que las amenazas realistas, pero ambas tienen valores sustanciales aquí, lo cual es bueno. |
| |
Y lo más importante, queremos que estos valores diagonales sean mayores que los del triángulo superior porque este último representa las barreras superpuestas entre los dos factores. |
| |
Y como pueden imaginar, queremos que los factores tengan mayor superposición y varianza con sus propios indicadores que con otros. |
| |
construir con un factor diferente. Y esto de aquí, junto con todas estas otras estadísticas |
| |
Son buenas pruebas de que la encuesta nos proporciona respuestas válidas y fiables, y de que podemos utilizarla para abordar otras cuestiones. Así que eso es lo que vamos a hacer aquí. Vamos a cerrar esto y voy a |
| |
Vamos a implementar un modelo diferente; relanzaremos nuestra plataforma, pero esta vez voy a usar... |
| |
Aquí tengo un par de variables que he creado. Estas dos son: |
| |
Las puntuaciones compuestas son promedios de todas las preguntas relacionadas con amenazas realistas y simbólicas. Aquí tengo esas puntuaciones compuestas. |
| |
Y voy a modelar eso junto con... Tengo una medida de ansiedad. Tengo una medida de afecto negativo. Y también podemos agregar un poco de los datos de los CDC. |
| |
Adherencia. Se trata de medir si la gente sigue las recomendaciones de los CDC y las medidas de salud pública. Por lo tanto, vamos a lanzar la plataforma con todas estas variables. |
| |
Lo que quiero hacer aquí es centrarme en ajustar un modelo de regresión. Para ello, seleccioné las variables, mis predictores y mis resultados. Simplemente hice clic en la flecha de una sola punta para configurarlo. Ahora bien, el modelo aún no está completo... |
| |
Aún no está correctamente especificado porque queremos asegurarnos de que ambos lo estén. |
| |
COVID-19 |
| |
En lo que respecta a las amenazas, queremos asegurarnos de que covaríen entre sí, porque no tenemos ninguna razón para suponer que no lo hacen. |
| |
Lo mismo ocurre con el resultado; deben covariar porque no queremos imponer restricciones extrañas sobre su ortogonalidad. |
| |
Esto es, esencialmente, un análisis de ruta. Se trata de un análisis de regresión múltiple multivariante. Así que podemos simplemente ponerlo aquí, regresión multivariante, y vamos a usar este modelo para ejecutarlo. |
| |
De acuerdo. Así que fíjense que, como encajamos en cada... |
| |
Tenemos cero grados de libertad porque hemos estimado todas las varianzas y covarianzas entre los datos. Por lo tanto, aunque esto sugiere un ajuste perfecto, |
| |
Hasta ahora, solo hemos ajustado un modelo de regresión. Y para enfatizarlo, quiero mostrarles... Voy a cambiar el diseño de mi diagrama. |
| |
Para que sea más fácil mostrar... las asociaciones entre ambos tipos de amenaza. Quiero ocultar las varianzas y covarianzas, y aquí pueden ver... |
| |
He ocultado los demás bordes para que podamos centrarnos únicamente en la relación de estas dos amenazas con nuestros tres resultados. En mi tabla de datos, ya he ajustado un modelo; utilicé la ansiedad como variable de ajuste. |
| |
La variable de resultado es la misma, y las mismas dos amenazas son las variables predictoras. Quiero ponerlas una al lado de la otra para mostrarles que, de hecho... |
| |
Las estimaciones para la regresión de la predicción de la ansiedad aquí son exactamente los mismos valores que tenemos aquí en la plataforma SEM para ambas predicciones. |
| |
Y eso es lo que deberíamos esperar. Ajustar el modelo, es decir, esto es una regresión. Hasta ahora hemos estado haciendo una regresión. |
| |
Técnicamente, se podría decir: bueno, si me siento cómodo ejecutando tres de esos modelos de ajuste con estos tres resultados diferentes, entonces ¿qué es lo que me aporta SEM que sea mejor? |
| |
Bueno, puede que sí, puede que no necesites nada más y que esto sea perfecto para tus necesidades, pero una característica única del SEM es que podemos comprobar directamente si existen |
| |
igualdad... si las restricciones de igualdad en el modelo son sostenibles. Esto significa que puedo tomar estos dos efectos (por ejemplo, los efectos de amenaza realista y simbólica sobre la ansiedad) y puedo usar este botón de "establecer igual" para imponer una restricción de igualdad. Observe aquí, |
| |
Estas pequeñas etiquetas indican que estos dos caminos tendrán el mismo efecto. Y entonces podemos |
| |
Ejecuta el modelo y ahora podemos seleccionar esos modelos en nuestra tabla de comparación de modelos y compararlos con esta opción de comparación de modelos seleccionados. |
| |
Y lo que obtendremos será un cambio en chi cuadrado. Así que vemos simplemente el cambio de chi cuadrado al pasar de un modelo a otro. Esto básicamente dice: bien, |
| |
El modelo va a empeorar porque ahora has añadido una restricción. Así que has ganado un grado de libertad, ahora tienes más desajuste, y la pregunta es: ¿es significativo ese desajuste? |
| |
En este caso, la respuesta es sí. Por supuesto, esto se ve influenciado por el tamaño de la muestra. Por lo tanto, también observamos la diferencia entre el CFI y el RMSEA, y cualquier valor de 0,01 o superior sugiere que |
| |
La discrepancia es demasiado grande como para ignorarla. Se trata de una discrepancia adicional significativa añadida por esta restricción. |
| |
Ahora que sabemos esto, podemos afirmar directamente que este es el modelo que mejor se ajusta, el que no tenía esa restricción, y podemos asegurar que las amenazas realistas tienen mayor impacto positivo. |
| |
Existe una asociación con la ansiedad en comparación con las amenazas simbólicas, que también tienen un efecto positivo significativo, pero no es tan fuerte estadísticamente ni tan fuerte como las amenazas realistas. De acuerdo. Y hay otros |
| |
Los efectos interesantes que tenemos aquí son un ejemplo. Así que, al acercarnos al final de la sesión, voy a llamar su atención sobre este interesante efecto. |
| |
El efecto aquí abajo, donde ambos tipos de amenazas tienen efectos diferentes en el cumplimiento de las conductas de los CDC. Y el artículo realmente |
| |
Se le presta mucha atención a este hallazgo porque, como saben, ambas son amenazas. Pero, como pueden imaginar, quienes sienten que su seguridad personal está amenazada... |
| |
Si se enfrentan a amenazas a su salud o a su seguridad financiera, es más probable que cumplan con las directrices de los CDC sobre el distanciamiento social y evitar las reuniones sociales, mientras que aquellos que |
| |
Sienten que esa amenaza es simbólica, una amenaza a sus valores socioculturales. |
| |
Es mucho menos probable que esas personas se adhieran a las conductas recomendadas por los CDC, quizá porque sienten que esas normas socioculturales están amenazadas. Por lo tanto, es un hallazgo interesante y vemos que aquí podemos, por supuesto, comprobar la equivalencia de otras vías en este modelo. |
| |
Bien, lo último que quería hacer era simplemente mostrarles (no vamos a describir este modelo completo), pero sí quería mostrarles qué sucede cuando se combinan ambos. |
| |
(Ampliemos esto un poco) regresión y análisis factorial. |
| |
Para aprovechar al máximo el potencial de los modelos de ecuaciones estructurales, es necesario modelar las variables latentes. En este caso, tenemos amenazas como variables latentes, lo que nos permite eliminar el error de medición de dichas variables. |
| |
Los elementos de la encuesta y las asociaciones del modelo entre variables latentes nos permiten obtener efectos no sesgados porque... efecto no atenuado... porque tenemos en cuenta el error de medición al medir |
| |
la variable latente y las variables directamente. Y observe que estamos aprovechando el SEM, porque estamos analizando asociaciones secuenciales entre varios factores diferentes, y aquí abajo puede ver nuestro interesante diagrama que |
| |
Puedo moverme para intentar mostraros todos los efectos interesantes que tenemos y también destacar el hecho de que nuestros diagramas son |
| |
Totalmente interactivo, visualmente muy atractivo, y muy rápidamente podemos identificar, ya sabes, efectos significativos según el tipo de línea frente a efectos no significativos, en este caso, estas líneas discontinuas. Y así |
| |
Para aprovechar al máximo el potencial de SEM, podemos observar cómo analizamos las amenazas de las variables latentes y sus asociaciones con otras variables. |
| |
comportamientos de salud pública y variables de bienestar. Y con esto, voy a terminar la demostración aquí y |
| |
Queremos informarles que, además de las diapositivas, tenemos un documento muy útil: un excelente documento elaborado por James Koepfler, el probador de nuestra plataforma, donde ofrece un montón de consejos muy útiles sobre cómo usarla. |
| |
Desde la especificación del modelo hasta consejos sobre cómo comparar modelos, qué es apropiado observar, qué es un modelo anidado, toda esta información creo que te resultará muy valiosa si decides usarlo. |
| |
La plataforma. Por lo tanto, les recomiendo que visiten la Comunidad JMP para obtener estos materiales complementarios a la presentación. Con esto, doy por finalizada la presentación y pasaremos a la sesión de preguntas una vez que esté disponible. Muchas gracias. |
