INTRODUCCIÓN AL PROGRAMA AMOS 5.0. 2.

2.) También podemos tener una matriz de datos típica con los datos directos de los sujetos
(en filas) a las variables (en columnas):
1. Entrar al programa

El programa AMOS 5.0 permite la estimación y contraste de modelos estructurales mediante

un sencillo y cómodo interface gráfico. Para entrar en AMOS se selecciona la opción “Amos
Graphics” dentro del menú de AMOS 5. Actualmente AMOS constituye un componente
integrado de SPSS

2. Formato del Fichero de datos

Aunque AMOS permite importar distintos tipos de ficheros de datos, trabajaremos con
ficheros con formato SPSS:

1.) El fichero de datos puede ser una matriz de correlaciones:

Donde aparecen en primer lugar 2 variables de tipo CADENA (ROWTYPE_ y

VARNAME_). ROWTYPE indica el tipo de dato que va a aparecer en esa fila: MEAN
(media), STDDEV (desviación típica), N (número de sujetos en esa variable), CORR
(correlaciones); VARNAME_ indica la variable a la que se va a referir el dato (sólo se
especifica para N y para CORR). Cada columna siguiente indica también a qué variable
pertenece cada dato. Por ejemplo, la correlación entre FLSPAN y MATR_STO es 0.47.

1 2
3. Para generar un modelo estructural Seleccione el botón File name y elija el fichero de datos.

Seleccionamos en el menú FILE y luego NEW. Tendremos la siguiente pantalla: Ahora debe trazarse el modelo. Existen distintos iconos para este objetivo. Lo mejor es

empezar dibujando los factores latentes. Para ello se pulsa en el icono (Dibujo de
variables latentes con sus indicadores respectivos), se mueve el puntero a la parte central y,
pinchando con el botón izquierdo, se genera un círculo (el factor latente). Posteriormente, se
pulsa tantas veces en el circulo como indicadores tenga la variable. Se repite el procedimiento
para cada factor latente que aparezca en el modelo. En el ejemplo, tenemos 2 factores
latentes con 3 indicadores. Debería quedar un diagrama como el siguiente (figura izquierda):

En realidad, el mismo dibujo puede hacerse utilizando los

siguientes iconos de la barra de herramientas:

Para dibujar las variables observables

Para dibujar los factores latentes

Para dibujar el error de las variables

observables.

Para dibujar las relaciones unidireccionales

entre las variables.

Para completar el diagrama pinchamos en el icono

(dibujar correlaciones) y dibujamos una correlación entre
los 2 factores. Como el dibujo es muy pequeño en relación al recuadro se puede pulsar el

En la parte central se debe dibujar el diagrama correspondiente al modelo que desee estimar. icono (ajustar a la página) y obtendremos el siguiente resultado:
A la derecha aparecen una serie de iconos mediante los cuales se puede dibujar el modelo.
Las funciones de la mayoría de estos iconos pueden ejecutarse también desde el menú
superior. En primer lugar, debe definirse cuál es el fichero donde están los datos. Para ello se Ahora decir qué indicador se corresponde con cada
variable del fichero de datos. La manera más sencilla es
pulsa el icono (seleccionar fichero). Aparecerá la siguiente pantalla:
seleccionar el icono (presentar las variables en la
matriz de datos). Nos aparecera una pantalla como la
siguiente:

3 4

Seleccionamos cada variable del recuadro y la arrastramos (pulsando el botón izquierdo del
ratón) hacia el indicador correspondiente en el dibujo. Obtendremos los siguiente:
Ahora tendremos que poner nombres a las variables
latentes. Pulsamos sobre cualquiera de los circulos (2
veces) y obtendremos el siguiente recuadro:
Podemos pinchar sobre cualquiera de los elementos dibujados (flechas, círculos,
cuadrados,...) para cambiar sus propiedades.
4. Para estimar los parámetros del modelo estructural
Antes de ejecutar el programa, podemos seleccionar el icono , para especificar las
propiedades del análisis, y aparecerá lo siguiente:

Podemos observar que el

método de análisis seleccionado
es el de máxima verosimilitud. Si
hay datos perdidos la opción
Estimate means and intercepts debe
estar marcada.

Otra pestaña importante de esta

ventana es Output donde
podemos especificar la
información que queremos que
aparezca en la salida. Es
En Variable name ponemos el nombre de la variable (MCP). Variable Label indica la etiqueta importante que este seleccionado
con la que se presentará en el gráfico. Pulsando en la pestaña de Parameters podremos fijar los Standardized estimates para que el
parámetros (la varianza, en este caso) de esa variable a un valor concreto. En nuestro caso, ya programa nos proporcione el
hemos fijado la métrica de MCP fijando su peso a FLSPAN a 1. Tras poner nombre a todas valor de los parámetros
las variables latentes tendremos algo parecido a esta interesante figura: estandarizados.
Y ya hemos terminado la especificación del modelo.
Algunos otros iconos pueden resultar útiles para
realizar/modificar el dibujo:

Seleccionar un objeto del dibujo

Seleccionar todos los objetos

Dicho esto, podemos ejecutar el programa pulsando el siguiente icono y rezar para
qué nuestro modelo esté bien especificado así como identificado...
Deseleccionar todos los objetos
Pero antes de seguir, se guarda el trabajo seleccionando en el menú FILE y luego SAVE
AS.

Duplicar objetos Desplazar objetos 5. Salida del programa:

Para ver los resultados se pulsa el icono .

Borrar objetos Cambiar forma objetos Realinear objetos
Las primera parte de la salida es importante para saber si el programa se ha ejecutado
Cambiar propiedades de objetos seleccionados simultáneamente correctamente (nos indican el tamaño de la muestra, el número de variables de cada tipo, el
número de parámetros fijos y libres , la matriz de varianzas-covarianzas y la matriz de
correlaciones observadas y el cálculo de los grados de libertad).

5 6
 A continuación aparecen los parámetros no estandarizados y sus errores típicos de
The model is recursive. estimación que nos permiten ver si los parámetros son significativamente distintos de 0.
Sample size = 134 También aparecen los mismos pesos para la solución estandarizada.

Variable counts (Group number 1) Regression Weights: (Group number 1 - Default model)
Number of variables in your model: 14
Estimate S.E. C.R. P Label
Number of observed variables: 6
FLSPAN <--- MCP 1.000
Number of unobserved variables: 8
Number of exogenous variables: 8 FDSPAN <--- MCP 1.124 .166 6.783 ***
Number of endogenous variables: 6 DOT_MEM <--- MCP .554 .139 3.994 ***
RSPAN_ST <--- MT 1.000
Parameter summary (Group number 1) COMP_ST <--- MT 4.091 1.132 3.614 ***
Weights Covariances Variances Means Intercepts Total MATR_STO <--- MT 7.265 2.005 3.622 ***
Fixed 8 0 0 0 0 8
Labeled 0 0 0 0 0 0 Standardized Regression Weights: (Group number 1 - Default model)
Unlabeled 4 1 8 0 0 13
Estimate
Total 12 1 8 0 0 21
FLSPAN <--- MCP .748
FDSPAN <--- MCP .737
Sample Moments (Group number 1) DOT_MEM <--- MCP .396
RSPAN_ST <--- MT .370
Sample Covariances (Group number 1) COMP_ST <--- MT .690
MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN MATR_STO <--- MT .698
MATR_STO 41.638
COMP_ST 11.077 13.519 Covariances: (Group number 1 - Default model)
RSPAN_ST 2.706 1.919 2.808
Estimate S.E. C.R. P Label
DOT_MEM 5.626 3.086 .493 6.880
MCP <--> MT 1.029 .312 3.302 ***
FDSPAN 8.346 4.522 .849 2.139 8.161
FLSPAN 7.519 4.149 1.030 1.470 4.104 6.265
Correlations: (Group number 1 - Default model)
Sample Correlations (Group number 1) Estimate
MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN MCP <--> MT .886
MATR_STO 1.000
COMP_ST .467 1.000 Variances: (Group number 1 - Default model)
RSPAN_ST .250 .311 1.000 Estimate S.E. C.R. P Label
DOT_MEM .332 .320 .112 1.000 MCP 3.507 .805 4.356 ***
FDSPAN .453 .430 .177 .286 1.000
MT .385 .199 1.937 .053
FLSPAN .466 .451 .246 .224 .574 1.000
efl 2.758 .535 5.152 ***
Models efd 3.729 .697 5.347 ***
edo 5.802 .749 7.746 ***
Default model (Default model) ers 2.424 .312 7.762 ***
eco 7.081 1.236 5.731 ***
Computation of degrees of freedom (Default model) ema 21.339 3.805 5.608 ***
Number of distinct sample moments: 21
Number of distinct parameters to be estimated: 13
Degrees of freedom (21 - 13): 8

7 8
Finalmente aparece información sobre el ajuste del modelo (aquí hemos seleccionado
aquellos tablas donde aparecen índices que hemos visto en clase).

Model Fit Summary

CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 13 7.761 8 .457 .970
Saturated model 21 .000 0
Independence model 6 182.938 15 .000 12.196

RMR, GFI
Model RMR GFI AGFI PGFI
Default model .404 .981 .951 .374
Saturated model .000 1.000
Independence model 4.165 .604 .446 .431

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model .958 .920 1.001 1.003 1.000
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000

Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model .533 .511 .533
Saturated model .000 .000 .000
Independence model 1.000 .000 .000

FMIN
Model FMIN F0 LO 90 HI 90
Default model .058 .000 .000 .079
Saturated model .000 .000 .000 .000
Independence model 1.375 1.263 .963 1.619

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model .000 .000 .100 .676
Independence model .290 .253 .329 .000

AIC
Model AIC BCC BIC CAIC
Default model 33.761 35.205 71.433 84.433
Saturated model 42.000 44.333 102.855 123.855
Independence model 194.938 195.604 212.325 218.325

9 10