ECUACIONES

ESTRUCTURALES CON
LAVAAN
Ejemplo

Kline (2010)
Introduccin a SEM
Derivado del Path Analysis
Familia de modelos que integra:
Path Analysis (PA)
Confirmatory Factorial Analysis (CFA)
Structural Regresion (SR)
A su vez pertenece a la familia de modelos
latentes: (clase latente, transicin latente,
regresin latente, etc.)
Origen en el modelo de JWK (Jreskog, Wiley and
Keesling) que dar lugar a LISREL creado por
Jreskog.
Caractersticas
Las latentes son continuas, y las observadas
mejor que tambin lo sean
Filosofa confirmatoria, no exploratoria
Deben estar fuertemente guiados por la teora
Se debe partir de buenos datos
Similar al modelo lineal general (se puede
considerar como un caso especial de SEM)
De forma simplista es la fusin de la regresin
lineal con el anlisis factorial
Causacin
Confirmacin no es causacin
Mismas condiciones de siempre para la
causacin:
Caeteris Paribus
Precedencia temporal de causas y efectos
No te lo da el modelo, slo el diseo y la forma
de obtener los datos
Todo el mundo lo sabe pero todo el mundo
sobre-interpreta en las conclusiones
Captulo de Mulaik
Conceptos bsicos,
Sistema RAM (Reticular Action Model)
Variables latentes y observadas
Variables endgenas y exgenas
Efectos direccionales
Varianzas
Covarianzas

Kline (2010)
Tipos de modelos:

Se distinguen dos tipos de componentes:

Componente de medida

Componente de estructura

Esto da lugar a los tres tipo de modelos en SEM :

Path Analysis
Componente de estructura

UCLA: SCG (2007)

Confirmatory Factorial Analysis
Componente de medida

Rosseel (2012)
Structural Equation:
Componente de medida y de estructura

Rosseel (2012)
Condiciones para los datos
Problemtico, condiciones severas
Delicado para la estimacin
Mejor tener el modelo y conseguir buenos datos
que tener los datos y trastear con el modelo
Necesita muestras muy numerosas
Se parte de datos raw o matrices de
correlaciones/covarianzas + sd + medias
(opcional)
Matrices Definidas Positivas
Condiciones para los datos
Normalidad multivariada
Linealidad
Homocedasticidad
Independencia de las observaciones
Especial cuidado con:
Colinealidad
Variables excluidas
Outliers
Datos missing (sistemas de imputacin)
Varianzas muy extremas
Condiciones para var, covar y cor
Condiciones para los datos
Se recomienda partir de buenas
mediciones con fiabilidad alta y poca
varianza error

Especificacin del modelo:

Cada SW usa su sistema
Interfaces grficas (no tan tiles como parecen)
Mismas recomendaciones que con el resto de
modelos
Cuidado con la direccionalidad
Cuidado con el significado de las varianzas
Cuidado con la saturacin del modelo (dfm=0 ajuste
perfecto)
Cuidado con la complejidad, bucles, recursividad, etc.
Mejor guiado por una hiptesis fuerte
Identificacin del modelo:
Determinar si el modelo es estimable o no
Hay heursticos simples para casos sencillos
Para casos complejos nunca es fcil saber si es
o no identificado
Truco:
Si no es identificado el modelo no se estima
Problema:
Puede estimarse pero dando resultado incongruentes
Estimacin:
Bsicamente por Mxima Verosimilitud (ML)
Estimaciones especiales:
WLS
WLSMV
GLS, ULS
etc
Estadsticos de Satorra-Bentler
Tambin estimaciones MCMC y Bayes
Indicadores de bondad de ajuste:
X2
AIC
BIC
RMSEA
CFI
Estudio de residuos
Hay muchos ms
prcticamente lavaan tiene todos
SW para SEM
De pago:
Todos los grandes paquetes estadsticos tienen una
versin de SEM:
Lisrel, Amos, SAS (CALIS y TCALIS), EQS, Mplus,
Ramona (Systat), Sepath (statistica), Matlab
Gratuitos:
Hay muchos, destacan:
Mx
OpenMx (extensin para R)
R (sem y lavaan)
Extensiones de SEM
Mucho trabajo en violaciones de las condiciones
Armonioso con las tendencias:
Multinivel
Longitudinal
Modelos de crecimiento latente
Modelos no lineales
Modelos no normales (generalizados)
etc.
R: Librera Lavaan
Creada por Yves Rosseel de Universidad de
Gante (Blgica)
Es muy buena, funciona muy bien
La que ms se usa y se extiende en R
Funciones bsicas:
lavaan() Control total del usuario
cfa() Wrapper sobre lavaan para factorial
confirmatorio
sem() Wrapper sobre lavaan para facilitar path
analysis y structural equation
Lavaan
Bsicamente definen la estructura de varianzas
y covarianzas de forma automtica
Recomendable usar lavaan(), especialmente en
la construccin del modelo (dfm1-dfm2=0)
Opcin mimic
mimic="Mplus
mimic="EQS
mimic="LISREL
mimic="AMOS"
Construccin del modelo en lavaan
No tiene interfaz grfica, pero es bastante
intuitivo
Slo usa dos operadores: = ~
Variable latente: =~
Regresin: ~
Var y cov: ~~
Otros comandos para las restricciones: *, :=,
==, < y >
Ejemplo con lavaan()
Resultados con summary()
Estimacin de parmetros

Heywood
Otras utilidades
parameterEstimates(m1)
modificationIndices(m1)
anova(m1,m2)
inspect(m1) (matrices de LISREL)
Imputacin de missing (missing = "fiml)
Datos no normales
test = "satorra.bentler
estimator = "WLS"
test = "bootstrap estimacin errores tpicos
Contrastes multigrupos
Conclusiones sobre Lavaan
Muy completo
Sigue en desarrollo
Estima tan bien como permita hacerlo R (Rosseel, 2012)
Le faltan ciertas herramientas de ayuda (PRELIS) pero
para eso est R
No hay visualizacin final del modelo:
librera sem s tiene pero no es adaptable
qgraph.lavaan (Sacha Epskamp)

Muy Bueno y muy recomendable

Referencias
Introduction to SAS. UCLA: Statistical Consulting Group. from
http://www.ats.ucla.edu/stat/sas/notes2/ (accessed November 24, 2007).
Kline, R. B. (2011). Principles and Practice of Structural Equation Modeling.
Guilford Press.
Mulaik, S. A. (2009). Linear causal modeling with structural equations. Crc
Press.
Rosseel, Y. (2012). Lavaan: An R Package for Structural Equation
Modeling. Journal of Statistical Software, 48, 2.
Mypersonality project

Inicio en 2007
mypersonality.org
http://www.psychometrics.cam.ac.uk/page/255/m
ypersonality.htm
Mantenida por la universidad de Cambridge
Bases de datos sobre uso de Facebook
mypersonality
Se recogen datos de actividad en FB y de
cuestionarios que contestan los sujetos
7.5m de usuarios nicos
1m de sujetos contestaron el BIG5
25 cuestionarios distintos de personalidad
Datos de ms de 40 pases
Acceso a los perfiles de FB (40%)
mypersonality
Informacin sobre:
User's demographic details
User's geo-location details
Facebook activity
User's religion and political views
BIG5 Personality Scores
IQ scores
Satisfaction With Life Scale
muchas ms bases de datos
mypersonality
Se obtienen las bases de datos bajo registro
Se firma un contrato legal entre el usuario y la
universidad de Cambridge
Uso con condiciones

Una vez firmado te dan acceso a las bases de

datos, en distintos formatos

Cuidado con la fusin de bases, los datos

perdidos no son aleatorios.