Sistema de Ecuaciones

Estructurales
Profesor: Mg. Sc. Rolando Salazar Vega
Modelo de Ecuaciones
Estructurales (SEM)
Definición: No hay una definición exacta. Es una familia de modelos
conocidos con diversos nombres: análisis de la estructura de la covariancia,
análisis de variable latente, análisis de factor confirmatorio.

Limitaciones de otras técnicas, examinan solo una relación al mismo tiempo.

Por ejemplo la regresión Lineal Múltiple, DCA, Análisis Discriminante,etc.

SEM es útil cuando una variable independiente se convierte en variable

dependiente en otras relaciones de dependencia.
Características:

• Estimar relaciones de dependencia múltiples y cruzadas.

• Representar conceptos no observados y tener en cuenta el error de
medida.
• SEM incorpora variables latentes al análisis, es un concepto supuesto
y no observado que puede ser aproximado mediante variables
medible u observables.
• SEM, permite modelar relaciones complejas que no es posible con
otros modelos.
Modelo estructural: 𝜂 = 𝐵𝜂 + Γξ + ζ

Modelo de medida exógeno: 𝑋 = Λ𝑥 𝜉 + δ

Modelo de medida endógeno: 𝑌 = Λ𝑦 𝜂 + ε

Ejemplo
Barker y Nussbaum desarrollaron un modelo que asocia dimensiones
relacionadas con la fatiga ocupacional y el desempeño en enfermeras
certificadas en el estado de Virginia, Estados Unidos. Con la premisa de que
la fatiga es un factor que muy probablemente contribuye a la ocurrencia de
errores médicos, este modelo tuvo como objetivo profundizar en el
conocimiento, la definición y la cuantificación de los efectos de la fatiga en el
desempeño de trabajadores al cuidado de la salud, en particular, de
enfermeras. Como se puede observar en la figura, las dimensiones fatiga
mental y fatiga física mostraron efectos significativos en la dimensión fatiga
total y esta, a su vez, efectos significativos en las dimensiones desempeño
físico y mental. Además, las dimensiones fatiga mental y fatiga física
mostraron efectos directos en las dimensiones desempeño físico y mental.
Con este modelo se demostró la intensidad de las relaciones entre las
dimensiones de percepción de fatiga ocupacional y desempeño en
enfermeras certificadas.
Ejemplo
Tipos de variables
Supuestos
“SEM comparte tres supuestos con los otros métodos multivariantes …:
observaciones independientes, muestra aleatoria de los encuestados y
la linealidad de todas las relaciones. Además, SEM es más sensible a las
características distribucionales de los datos, particularmente el
incumplimiento de la normalidad multivariante (crítica en el uso de
LISREL) o una fuerte curtosis (apuntamiento) de los datos)”. “La
ausencia de normalidad multivariante es particularmente problemática
porque infla sustancialmente el estadístico de la chi-cuadrado y crea un
sesgo alcista en valores críticos para determinar la significación de los
coeficientes “
Pasos
Primer paso: Desarrollo de un modelo basado en la teoría

Según Véliz (2017). “Esta etapa comprende la formalización de las ideas

que sustentan las relaciones entre las variables que describen el
modelo. Esto obliga al conocimiento del marco teórico sobre el que se
basan los modelos que se hipotetizan”.
Segundo paso: Construcción de un diagrama de secuencias de relaciones
causales

Hair et al. (1999) indica que “Un diagrama de secuencias es más que una
simple representación visual de las relaciones porque permite al investigador
presentar no sólo las relaciones predictivas entre constructos (es decir, las
relaciones variable dependiente-independiente), sino también relaciones
asociativas (correlaciones) entre los constructos e incluso entre los
indicadores”. También menciona que el investigador define los diagramas de
secuencias en términos de los constructos y luego busca variables para medir
cada constructo, otro elemento son las fechas para representar las relaciones
entre los constructos.
Tercer paso: Conversión de un diagrama de secuencias en un conjunto
de ecuaciones estructurales y especificación del modelo de medida

Cuarto paso: Selección del tipo de matriz de entrada y estimación del

modelo propuesto

Con el paquete lavaan con el argumento test="Satorra.Bentler" se

obtiene el estadístico de prueba escalado.
Quinto paso: Valoración de la identificación del modelo estructural

Según Hair et al. (1999), mencionan los “posibles síntomas de un

problema de identificación. Estos incluyen (1) errores estándar muy
elevados para uno o más coeficientes, (2) la incapacidad del programa
para invertir la matriz de información, (3) estimaciones muy poco
razonables o estimaciones imposibles tales como variancias de error
negativas, o (4) elevadas correlaciones (±0,90 o superiores) entre los
coeficientes estimados.”
Sexto paso: Evaluación de los criterios de calidad de ajuste.

Séptimo paso: Interpretación y modificación del modelo.

Algunos indicadores
• Estadístico Chi-cuadrado

Según Véliz (2017) este estadístico sirve como estadístico de prueba de la hipótesis nula
𝐻0 : Σ = Σ(𝜃).

Hair et al. (1999) mencionan que un valor grande de este estadístico indica que las
matrices observadas y estimadas difieren en forma considerable.

• Índice de bondad de ajuste (GFI)

Si GFI>=0.90 entonces el modelo es aceptable.

• SRMR: un valor inferior a 0.08 se considera un buen ajuste
• Error de aproximación cuadrático medio (RMSEA): un buen ajuste si
RMSEA<0.05, ajuste aceptable si 0.05<RMSEA<0.08 y ajuste pobre si
RMSEA>0.08
• Índice Tucker-Lewis (TLI): buen ajuste si TLI>0.90
• AGFI: un nivel aceptable y recomendado es un valor mayor o igual a
0.90
• El Análisis Factorial Confirmatorio (AFC) es una caso particular del
Modelo de Ecuaciones Estructurales (SEM), por lo que lo referido a
los métodos de estimación e indicadores de bondad de ajuste para un
SEM también son válidos para un AFC.
Ejercicio 1
• Un grupo de estudiantes toman exámenes de sus habilidades
verbales y matemáticas. Seis pruebas se administran por separado.
Las pruebas x1-x3 evalúan sus habilidades verbales y las pruebas y1-
y3 evalúan sus habilidades matemáticas. Se desea probar que un
modelo con dos factores: uno es el factor de habilidad verbal y el
otro es el factor de habilidad matemática, es válido.
Ejercicio 2
Se realiza un estudio con respecto a los índices de satisfacción del
cliente y su efecto en la intención declarada de recomprar impresoras
HP. Los datos consistieron en respuestas a 15 ítems de satisfacción,
donde había tres items cada uno por factores de Calidad, Costo (precio
justo), Valor, Satisfacción del cliente (CSat) y Repetir intención de
compra.
Items del cuestionario
Calidad

q1:La calidad de la impresora HP que compré es excelente.

q2:Se sabe que las impresoras HP son altamente confiables
q3:Estoy seguro de que mi impresora HP durará mucho tiempo

Costo

c1:La impresora HP no tenía un precio razonable

c2:HP no establece precios justos para sus productos
c3:Las impresoras HP son más caras que otras
Valor
v1:Siento que tengo buen valor para esta compra
v2:La calidad de la impresora vale su costo
v3:Pude decirle a mi jefe que esta compra tenía un buen valor

Satisfacción del cliente

cs1:Estoy muy satisfecho con mi nueva impresora HP
cs2: Mi impresora es mejor de lo que esperaba.
cs3: No me arrepiento de haber comprado esta impresora

Repetir
r1: Compraría otro HP si tuviera que comprar otra impresora
r2: Compraría otros productos de HP
r3: Les diría a mis amigos y compañeros de trabajo que compren HP
Modelo estructural propuesto

Fuente: Adaptado de Iacobucci

Preguntas
¿El modelo propuesto tiene un ajuste aceptable?
¿La percepción del costo está asociada con la percepción del valor y la
intención de recompra?
¿En qué medida la percepción de calidad se relaciona con la
satisfacción?
Para satisfacer al cliente, ¿es la calidad más importante que el valor
percibido?
Referencias bibliográficas
• Hair, JF; Anderson, RE; Tatham, RL; Black, WC. 1999. Análisis
Multivariante. 5 ed. Madrid, España. Prentice Hall Iberia.
• http://riem.facmed.unam.mx/node/729
• https://revistas.urosario.edu.co/xml/562/56246575006/html/index.h
tml#gf2
• Marcos Cupani (2012). Análisis de Ecuaciones Estructurales:
conceptos, etapas de desarrollo y un ejemplo de aplicación. Revista
Tesis.
• Minitab 18.
• Arturo Ruiz-Falcó Rojas (2006). MUESTREOS DE ACEPTACIÓN.
• Chapman y McDonnell (2014).R for Marketing Research and Analytics