Professional Documents
Culture Documents
Autora:
Profesor Gua:
Asesor Metodolgico:
1.1
Generalidades
tendra
un
carcter
heurstico
que
permite
incrementar
nuestro
para
analizar
datos
de
diseos
experimentales,
as
como
no
experimentales. Esto ocurre, segn los autores, porque estos modelos permiten
tratar varias relaciones simultneamente y porque tienen la capacidad para evaluar
-2-
-3-
estructurales.
Esto
permite
evaluar
perspectivas
con
respecto
su
especificacin.
Tipos de modelos
Los autores distinguen entre tres tipos de modelos causales (Kline, 1998; Byrne,
2001):
-
Path
Analysis.
Estos
son
modelos
que
tienen
solamente
variables
-4-
no
recursivos
son
aquellos
donde
los
errores
no
se
encuentran
Supuestos de la tcnica
Los supuestos de esta tcnica son variados, y muchas veces, difciles de cumplir:
-
-5-
Normalidad
multivariante.
bastante
sensible
las
caractersticas
Kline (1998) afirma que los modelos causales son una tcnica de muestras
grandes. El tamao puede depender de muchos factores. Sin embargo, a
modo general, se afirma que prcticamente no es posible hacer un anlisis de
este tipo con menos de 100 casos. Entre 100 y 200 sera una muestra
mediana y mayor que 200 una grande. Segn Hair et al (1999) el tamao de
la muestra debe ser por lo menos tan grande como el nmero de covarianzas
y correlaciones de la matriz de datos de entrada. Un mnimo habitual son
cinco encuestados para cada parmetro estimado, sin embargo, un ratio de
10 es ms apropiado. Por lo tanto, al ir aumentando la complejidad,
aumentan los requisitos.
Hay que cuidar de que no exista multicolinealidad (Asher, 1983; Kline, 1998).
Adems, cuando se trabaja con Path Analysis y se quiere asumir una relacin de
tipo causal, se deben cumplir los siguientes supuestos:
-
Asociacin suficiente entre dos variables (Asher, 1983; Hair et al, 1999)
Kline (1998) afirma que hay que tomar en cuenta posibles efectos de
interaccin de terceras variables porque estas pueden hacer que una relacin
no aparezca. Tambin hay que tener cuidado con posibles relaciones espurias.
-6-
La
complejidad de la identificacin reside, segn Kline (1998) en que puede ser que un
modelo funcione tericamente pero luego empricamente no lo haga. La identificacin
es especialmente compleja en el caso de los modelos recursivos.
El nmero de observaciones tiene que ser mayor al nmero de parmetros. Los
grados de libertad deben ser mayores o iguales a cero. Un modelo identificado tiene
cero grados de libertad y una nica solucin posible. Sin embargo, si bien ofrece un
ajuste perfecto, la solucin no tiene inters dado que no es posible de ser
generalizada. Un modelo sobreidentificado es el objetivo de todos los modelos. La
matriz de datos tiene ms informacin que el nmero de parmetros a estimar, por
lo que tiene un nmero de grados de libertad positivo. El investigador busca que el
modelo tenga un ajuste aceptable con el mayor grado de libertad posible para que el
modelo sea generalizable. Un modelo que no alcanza la condicin de orden es uno
infraestimado o no identificado. Este modelo tiene grados de libertad negativos, por
lo que intenta estimar ms parmetros de lo que permite la informacin disponible.
Es matemticamente imposible obtener una solucin para un modelo no identificado.
En este caso, es necesario fijar alguno de los parmetros (Asher, 1983; Byrne, 2001;
Hair et al, 1999; Kline, 1998). Otra opcin es eliminar una flecha o agregar variables
(Kline, 1998).
Para lograr la identificacin del modelo hay que preocuparse de tres condiciones
necesarias pero no suficientes:
-
endgenas
de
modelos
recursivos
con
todas
las
posibles
-7-
La calidad del modelo se evala por medio de varios aspectos. Uno de ellos es el
ajuste del mismo. Existen medidas de ajuste absoluto del modelo, medidas de ajuste
incremental y medidas de ajuste de parsimonia. Las medidas absolutas evalan solo
el ajuste del modelo como un todo, mientras que las medidas de ajuste incremental
permiten evaluar el modelo propuesto con otro especificado por el investigador. Por
ltimo, los de parsimonia ajustan la medida de ajuste de manera de poder comparar
modelos con diferente nmero de coeficientes estimados. A partir del anlisis de
estos coeficientes es posible reespecificar el modelo (Hair et al, 1999). Algunos
coeficientes utilizados son el GFI (Goodnes of fit index), el AGFI (Adjusted Goodnes
of fit index), los cuales van de 0 a 1, siendo 1 el ajuste perfecto. Son similares al R 2,
por lo que muestran la proporcin de covarianza observada que es explicada por las
covarianzas del modelo. El NFI (Normed fit index) indica la proporcin de mejora en
el ajuste total del modelo del investigador con respecto a un modelo de
independencia o de hiptesis nula, en el cual se asume que las variables observadas
no se encuentran relacionadas. Se interpreta como porcentaje de mejora (Kline,
1998). El R2 permite evaluar la proporcin de varianza explicada por el modelo
(Asher, 1983). El chi cuadrado es otra manera de estimar el ajuste del modelo. Sin
embargo, es muy sensible al tamao muestral, por lo que con muestras grandes,
cualquier diferencia resulta significativa.
-8-
-9-
es posible
sociales,
donde
en
muchas
ocasiones
resulta
muy
difcil
discernir
- 10 -