1

CAPTULO 14 EL ANLISIS FACTORIAL CONFIRMATORIO Dr. Jos Moral de la Rubia Profesor investigador de la Facultad de Psicologa. UANL

NDICE XI.1 INTRODUCIN ............................................................................................................................... 2 XI.1.1 Definicin del modelo del AFC ............................................................................................... 2 XI.1.2 Utilidad del AFC ...................................................................................................................... 3 XI.1.3 Supuestos del AFC ................................................................................................................. 3 XI.1.4 Tipos de variables en el modelo ................................................................................................. 3 XI.1.5 Pasos para la ejecucin del AFC............................................................................................ 3 XI.2 EL CLCULO DEL ANLISIS FACTORIAL CONFIRMATORIO CON STATISTICA..................... 4 XI.2.1 Archivos de datos ................................................................................................................... 4 XI.2.2 La definicin del modelo ......................................................................................................... 6 XI.2.2.1 La definicin del modelo con el lenguaje de sintaxis (Path1) ............................................ 7 IX.2.2.2 Definicin del modelo con Path wizard .............................................................................. 8 XI.2.2.3 Definicin del modelo con Path tool ................................................................................... 8 XI.2.2.4 Definicin del modelo con un diagrama de senderos (Path diagram) ............................. 10 XI.3 PARMETROS DEL MODELO Y MTODOS DE ESTIMACIN DE LA FUNCIN DE DISCREPANCIA......................................................................................................................................... 10 XI.3.1 Tipos de datos para el anlisis (Data to analysis) ................................................................ 11 IX.3.2 Opciones de resultados (Output options) ............................................................................. 12 XI.3.3 Mtodos de estimacin de la funcin de discrepancia (Discrepancy function).................... 12 XI.3.4 Criterios de convergencia (Convergency criteria) ................................................................ 13 XI.3.5 Parmetros globales de iteracin (Global iteration parameters) .......................................... 13 IX.3.6 Valores iniciales (Inicial values)............................................................................................ 14 IX.3.7 Estandarizacin de valores (Standarization) ........................................................................ 14 IX.3.8 Variables manifiestas exgenas (Manifiest exogenous) ...................................................... 14 XI.3.9 Mtodo de bsqueda del parmetro o lnea del vector de los parmetros a modificar (Line search method) ...................................................................................................................................... 14 XI.3.10 Tipo de parmetros sobre los que se aplica el mtodo de bsqueda (Line Search parameters) ............................................................................................................................................ 15 XI.4 CONTRASTE DE LA NORMALIDAD MULTIVARIADA ................................................................ 15 XI.5 ESTADSTICOS DE MEJORA DEL MODELO ............................................................................. 15 XI.5.1 Estadsticos del multiplicador de Lagrange .......................................................................... 16 XI.5.2 Significacin de los parmetros finales ................................................................................ 16 XI.6 ESTADSTICOS DE AJUSTE ....................................................................................................... 16 XI.6.1 Estadsticos bsicos ............................................................................................................. 17 XI.6.2 ndices de ajuste de no centralidad ...................................................................................... 18 XI.6.3 ndices de bondad de ajuste para una muestra simple ........................................................ 18 XI.7 EVALUACIN DEL AJUSTE A TRAVS DE LAS CORRELACIONES RESIDUALES ............... 20 XI.8 APLICACIN DEL AFC................................................................................................................. 21 XI.8.1 Aplicacin del AFC en una sola muestra.............................................................................. 21 XI.8.1.1 Especificacin del modelo de 3 factores relacionados (3D) para la TAS-20 ................... 21 IX.8.1.2 Informacin sobre las iteraciones para el modelo 3D ...................................................... 22 IX.8.1.3 Parmetros finales del modelo 3D ................................................................................... 23 XI.8.1.4 Estadsticos bsicos para el modelo 3D .......................................................................... 25 XI.8.1.5 Estadsticos de no centralidad para el modelo 3D........................................................... 26 XI.8.1.6 Estadsticos de ajuste de una sola muestra para el modelo 3D ...................................... 26 XI.8.1.7 Estadsticos del multiplicador de LaGrange para el modelo 3D ...................................... 27 XI.8.1.8 Contraste de supuestos (normalidad multivariada a travs de la simetra y la kurtosis) para el modelo 3D ............................................................................................................................. 27 XI.8.1.9Residuos o diferencia entre la matriz de correlacin inicial y la estimada para el modelo 3D ........................................................................................................................................................... 29 XI.8.1.10 Comparacin entre los 8 modelos ............................................................................... 30 XI.8.2 Aplicacin del AFC a varias muestras de distinta poblacin................................................ 31 XI.8.3 Aplicacin del AFC a la misma muestra tomada en distintos momentos............................. 32 EJERCICIOS PROPUESTOS .................................................................................................................34 REFERENCIAS BIBLIOGRFICAS........................................................................................................... 44

2
RESUMEN El captulo inicia con la definicin del modelo del Anlisis Factorial Confirmatorio (AFC), sus supuestos, la utilidad de esta tcnica, los pasos necesarios para su aplicacin y el tipo de variables que requiere. La exposicin contina apoyndose fundamentalmente en las posibilidades de clculo de mdulo SEPATH de STATISTICA versin 6. Se presenta como transformar archivos de datos de SPSS (.sav) para que sean ledos por STATISTICA, al grabarlos como SPSS portable (.por). Se muestra como definir el modelo terico con las herramientas del programa y el lenguaje de texto, expresar un modelo en un diagrama y cmo realizar los clculos tanto desde archivo de datos como desde una matriz de correlaciones, varianzas-covarianzas o momentos. Se prosigue con los mtodos de minimizacin de la funcin de discrepancia y estimacin de parmetros y con las especificaciones en referencia a las iteraciones, pasos, mtodos de bsqueda y parmetros para el avance iterativo. Se desarrollan los ndices de ajuste del modelo: 3 estadsticos bsicos (estadstico 2 de ajuste al modelo terico, el valor de la Funcin de Discrepancia, y el residuo estandarizado cuadrtico medio), 12 ndices de bondad de ajuste para una muestra simple entre ellos el ndice general de ajuste corregido de Jreskog y 5 ndices de no centralidad entre ellos la raz cuadrada de la media de los errores de aproximacin de SteigerLind, el ndice gamma poblacional ajustado y el ndice de no centralidad de McDonald. Asimismo, se exponen los ndices de mejora del modelo (significacin de los parmetros finales del modelo y estadsticos del multiplicador de LaGrange), y el contraste del supuesto de normalidad multivariada a travs de ndices de simetra y kurtosis de las variables manifiestas. Se ejemplifica la aplicacin e interpretacin del programa por medio de tres casos importante en el desarrollo de escalas: el establecimiento de la validez de constructo a travs de la confirmacin de una estructura factorial, la estabilidad de la solucin en muestras de distinta poblacin como hombres y mujeres, y la estabilidad de la solucin en la misma muestra tomada en momentos distintos, en un retest de la escala a los 6 meses; contemplando en los tres casos modelos alternativos. Finalmente, se sugieren ocho ejercicios para ejecutar con STATISTICA versin 6 en referencia a una estructura de tres factores relacionados para las escalas clnicas del MMPI en una muestra y en dos muestras de distinta poblacin (hombres y mujeres), en referencia a una estructura unidimensional para las 6 escalas del DAT en una muestra y en dos muestras de distinta poblacin (hombres y mujeres) y en referencia a la estabilidad de la matriz de correlaciones y la estructura unidimensional de tres medidas de inteligencia tomadas en dos momentos distintos. A tal fin se suministran archivos (.sta) y matrices de correlacin para la realizacin de los clculos y la replica de los ejemplos mostrados. XI.1 INTRODUCIN

XI.1.1 Definicin del modelo del AFC Como tcnica factorial parte del supuesto de la descomposicin de la varianza de las variables en factores comunes y factores nicos, es decir, en varianza comn (comunalidad) y nica (unicidad), pero es muy flexible en las especificaciones. As, cada factor va a estar constituido slo por algunos elementos, no por la combinacin lineal de todas las variables; y puede correlacionar con algunos de los otros factores. Asimismo, los errores pueden correlacionar entre s y en las correcciones al modelo, alguno de ellos se pueden eliminar si no es significativo. Los principales objetivos del anlisis factorial confirmatorio son poner a prueba una estructura factorial postulada en base a una teora o pronosticada en base a resultados anteriores, mostrar la estabilidad de esa estructura factorial en muestras procedentes de distintas poblaciones (como de distintos pases, estratos sociales, niveles educativos, hombres y mujeres, clnica y poblacin general) y la comprobar estabilidad de la estructura factorial en el tiempo. A tal fin se crea una funcin diferencial para estimar los parmetros del modelo desde los datos minimizando su discrepancia con los parmetros tericos a los que se ha traducido el modelo. Los mtodos de estimacin de la funcin de discrepancia emplean procesos iterativos hasta alcanzar unos criterios de convergencia. Sobre la solucin obtenida, se calculan una serie de estadsticos para informar sobre la calidad del ajuste al modelo y sobre la significacin de los parmetros finales. Su base matemtica es el clculo matricial, empleando funciones estructurales lineales y no lineales. Inicialmente, se desarroll la tcnica partiendo de la matriz de varianzas-covarianzas, de ah que los programas de estadsticos para AFC tengan esta opcin por defecto. No obstante, pronto se crean algoritmos de clculo para la matriz de correlaciones (Cudeck, 1989). El clculo del AFC se puede realizar a travs de varios paquetes estadsticos como AMOS para IBM/PC (Arbuckle, 1988), LISREL para SPSS (Joreskog y Sorbom, 1989), Structural Equations Program (EQS) para BMDP (Bentler, 1989), Covariance Analysis and Linear Structural equations (CALIS) para SAS/STAT (Hartmann, 1992) y SEPATH para el STATISTICA. En este captulo vamos a ver esta tcnica a travs de STATISTICA versin 6.

3
XI.1.2 Utilidad del AFC Jreskog y Srbom (1989), que figuran entre los creadores de esta tcnica, parte del concepto de conocimiento acumulado en la ciencia. Hablan de una fase descriptiva donde se podra aplicar el anlisis factorial exploratorio para estudiar la relacin entre un conjunto de medidas interrelacionadas y una fase explicativa en la que ya existira un modelo o una teora sobre la relacin entre dichas variables que se podra a prueba con el anlisis factorial confirmatorio. Asimismo, es til para confirmar y consolidar una estructura emprica, sobre la cual se harn desarrollos tericos posteriores. Actualmente, se considera que el anlisis factorial confirmatorio constituye la mejor herramienta para contrastar la validez de constructo de un instrumento, no slo contemplando las dimensiones subyacentes, sino la estructura de relaciones con otros constructos en base a las predicciones tericas y la estabilidad del constructo o estructura factorial en distintas poblaciones y en el tiempo. XI.1.3 Supuestos del AFC El requisito ms fuerte del anlisis factorial confirmatorio es la aleatoriedad y tamao grande de la muestra. Idealmente se debera aplicar sobre muestras probabilsticas para realizar inferencias paramtricas. Se considera inadecuado aplicarlo a muestra menores a 200 sujetos. Tiene la ventaja que es ms flexible respecto a la normalidad multivariada, en cuanto que existen alternativas de mtodo para distribuciones asimtricas (ADFG y ADFU). Naturalmente, la interdependencia de las variables habr de ser alta reflejando multicolinealidad. En caso contrario, no tiene sentido factorizar. Como las tcnicas factoriales exploratorias requiere variables medidas en escala numrica (de intervalo o razn) con instrumentos fiables y vlidos. Hemos de sealar que el requisito de escala mtrica para las variables, en psicometra es frecuentemente violado. Las variables ordinales con ms de 9 niveles, asumiendo un supuesto de continuidad, se suelen manejar a nivel estadstico como de intervalo. No obstante, la tcnica se aplica sobre reactivos tipo Likert que tienen un recorrido menor a 9 puntos. Al ser escasa la prdida de potencia estadstica, se justifica su empleo (Flora y Curran, 2004). No obstante, el AFC ofrece una alternativa para datos ordinales con una asuncin de continuidad que son los mtodos de estimador asintticamente libre de distribucin. Con dos variantes una de estimador gramiano (ADFG) y otra de estimador insesgado (ADFU) (Browne 1982, 84). Son mtodos de estimacin de la funcin de discrepancia menos sensibles que los basados en distribucin normal multivariada y tienden a rechazar ms la hiptesis nula de equivalencia entre los datos y el modelo. As, finalmente se siguen empleando ms con las escalas Likert los otros mtodos como mnimos cuadrados generalizados (GLS) y mxima verosimilitud (ML). XI.1.4 Tipos de variables en el modelo A la hora de crear un modelo hay que distinguir entre variables manifiestas, que son aquellas cargadas en el archivo de datos y las variables latentes que son las variables creadas por el programa a partir de las variables manifiestas bajo las especificaciones introducidas al definir el modelo. Dentro de las variables latentes podemos distinguir factores y residuos. Los factores determinan el valor de al menos 2 variables y los residuos es la parte de la varianza no determinada ni por los factores ni otras variables manifiestas. Corresponden al concepto de factor nico asociado a cada variable manifiesta. En los programas de sintaxis cada residuo es contemplado como una variable latente que determina a una variable manifiesta. El programa STATISTICA versin 6 limita el nmero de factores a un mximo de 9. No obstante, permite tanto errores como variables manifiestas se manejen. A su vez, se distingue entre variables endgenas y exgenas. Las primeras estn determinadas por otras variables bajo una relacin causal y las segundas estn relacionadas con otras variables, pero ninguna relacin la determina de forma causal, as son relaciones de covarianza o de correlacin. XI.1.5 Pasos para la ejecucin del AFC 1. Definir el modelo factorial. Como primer paso tenemos que definir el modelo terico de determinacin y asociacin de elementos que queremos poner a prueba. Una de las mayores ventajas de esta prueba es su flexibilidad. As podemos especificar cules variables manifiestas estn determinadas por qu factor o factores, qu factores se relacionan entre s, s alguna variable manifiesta carece de factor nico, si algunos factores nicos correlacionan con otros elementos del modelo, si hay variables manifiestas exgenas y con qu elementos se relacionan. Esto implica establecer el nmero de factores, qu elementos lo integran, el nmero de residuos o factores nicos, como se relacionan los factores y como se relacionan los residuos. El total de elementos contemplados nos da el nmero de parmetros del modelo. El valor de los parmetros se puede dejar en flucte libremente que es lo ms comn. Tambin, se puede establecer ciertas especificaciones de valor

4
como equivalencias entre ciertos parmetros (por ejemplo cuando se contrasta la misma estructura factorial en distintos momentos o en muestras de distintas poblaciones), que ciertos parmetros sean nulos o con un valor especfico. 2. Capturar los datos de las variables. Se han de seleccionar medidas fiables y vlidas en una escala numrica. Se han de contemplar mnimo dos variables manifiestas por factor y de preferencia al menos tres. 3. Obtener la matriz de varianzas-covarianzas, de correlaciones o momentos. Como tcnica factorial podemos partir de la matriz de correlacin que resuelve el problema de diferencias de recorrido entre las escalas de medida empleadas y hace ms fcil interpretar muchos de los ndices de ajuste. No obstante, se ha de sealar que las primeras aplicaciones fueron desde la matriz de varianzascovarianzas. Asimismo, se puede introducir constantes en el modelo, empleando a tal fin las medias de las variables y la matriz de varianzas-covarianzas. En este ltimo caso hablamos de momentos. La puntuacin estandarizada en una variable manifiesta no slo vendra predicha por la combinacin lineal de la puntuacin en el factor comn multiplicada por su carga factorial y la varianza del factor nico, sino tambin por una constante. 4. Seleccionar el mtodo de factorizacin y contraste de ajuste entre los datos observados y los datos pronosticados por el modelo. El procedimiento de ajuste ms empleado es el de Mxima verosimilitud (ML) que requiere que se cumpla el supuesto de normalidad multivariada. En caso contrario se puede optar por los dos mtodos de estimacin asinttica libre de distribucin (Asymtotically distribution free estimation). El programa STATISTICA por defecto emplea una combinacin secuenciada de dos mtodos. Realiza las primeras 5 iteraciones por Mnimos cuadrados generalizados (GLS) y prosigue por Mxima verosimilitud (ML) hasta que alcanza la convergencia bajos los parmetros de convergencia especificados, salvo que sta se logre antes. 5. Evaluar la adecuacin del modelo. A tal fin nos fijamos, por una parte, en los diversos ndices de ajuste (especialmente el residuo estandarizado cuadrtico medio, el residuo medio de los errores de estimacin, el ndice gamma poblacional ajustado y el ndice de bondad de ajuste corregido de Jreskog); y por otra parte, en la significacin de los parmetros estimados de los elementos del modelo y en los estadsticos del multiplicador de LaGrange de las variables manifiestas. Toda variable manifiesta endgena tiene que presentar un parmetro estimado significativo dentro de la variable latente que la determina y un estadstico de LaGrange asociado nulo. En caso contrario, indica que las especificaciones para dicha variable manifiesta debe ser revisadas. 6. Comparar con otros modelos alternativos. Calcular de forma secuencial otros modelos desde los ndices de mejora de ajuste, as como otros modelos tericos competitivos, para finalmente optar por uno de ellos o desecharlos todos. El potencial interpretativo de muchos de los ndices de ajuste se halla en comparar su valor entre los distintos modelos aplicados. XI.2 EL CLCULO DEL ANLISIS FACTORIAL CONFIRMATORIO CON STATISTICA

XI.2.1 Archivos de datos Para crear un archivo de datos con el programa STATISTICA versin 6, podemos seguir los siguientes pasos: Abierto el programa, arriba en la barra de men, encontramos File que nos da acceso a la opcin New. Poniendo el cursor sobre la misma presionamos el botn derecho del ratn y se abre la pantalla para la creacin de archivos. sta tiene varias pestaas. Por defecto est activa Spreadsheet que es para datos. Se nos pregunta por el nmero de variables que aparecern en las columnas y el nmero de casos que aparecern en las filas. Por defecto aparecen 10 filas y 10 columnas. Con los botones de flecha que se hallan en el extremo derecho de las ventanas podemos aumentar () o disminuir () este nmero. Indicado el nmero de variables y casos, presionamos al botn de Continue. As, se crea una pantalla para la captura de datos. En el men principal, en File tenemos la opcin de guardar como (save as) para poner el nombre al archivo. Por defecto aparece la extensin final .sta que indica al programa que se trata de un archivo de datos. En vez de crear el archivo, si ya lo tenemos capturado en SPSS, podemos proceder a importarlo. A tal fin, primero abrimos el archivo con el SPSS y en File vamos a Save as. Abierta la pantalla seleccionamos el archivo con el cursor del ratn. Hecho esto su nombre y el tipo de archivo aparecern en las dos ventanas de abajo. Procedemos a cambiar el tipo de archivo: de SPSS (*.sav) a SPSS portable (*.por). Le ponemos dejar el mismo nombre o poner otro distinto. Finalmente, presionamos en el botn de guardar (Save) y ya queda como un nuevo archivo exportable que el programa STATISTICA 6 puede leer sin ningn problema. Cerramos el programa SPSS y cuando nos pregunte si queremos guardar el archivo le decimos que NO para conservar el archivo .sav original. Abrimos el STATISTICA y vamos a

5
File a continuacin a Open, al presionar con el ratn se abre una pantalla que nos permite buscar la carpeta o unidad donde se encuentra el archivo. Para poder ver especficamente el archivo que requemos, abajo encontramos la ventana de Tipo de archivo y ah escogimos la opcin SPSS portable files (.por). Encontrado el archivo, se seala con el ratn y se da al botn de Abrir. Aparecer otra pantalla que ofrece dos opciones: Obtener el nombre de los casos desde la primera columna (Get case from first column) o importar etiquetas de los valores (Import value lables), estando sealada por defecto la segunda, al ser la ms comn. Si es nuestro caso, le presionamos al botn de OK y se abre el archivo. ste aparece con todos los nombres de las variables, etiquetas de datos y dems especificaciones. Esto se puede comprobar al ponernos sobre cada variable y presionar dos veces con el botn derecho del ratn. Se abre una pantalla con las especificaciones de la variable. Es importante realizar esta comprobacin antes de iniciar los clculos. Una vez abierto el archivo (*.por) se puede trabajar con l sin ningn problema. Ahora lo podemos volver a grabar, especialmente si hacemos cambios, como un archivo de datos de STATISTICA (*.sta). Arriba en la barra de mens, desplegamos el de File, presionamos con el ratn en Save y se abre una pantalla, donde ya aparece como nombre, el que tiene el archivo y como tipo STATISTICA Spreedsheet File (*.sta). El nombre si lo deseamos lo podemos cambiar. Tambin por defecto aparece en la ubicacin del fichero (.por) con el que estamos trabajando. Ubicacin que podemos cambiar desplegando el men de Guardar en. Fijado su nombre y ubicacin, presionamos en el botn de Guardar y queda grabado como un nuevo archivo STATISTICA que SPSS no puede leer. Hay una tercera forma de trabajar con SEPATH que sera introducir nicamente la matriz de correlaciones, de varianzas-covarianzas o momentos. Presentacin de datos que vamos a emplear en los ejercicios propuestos al final del capitulo. Para que una matriz de datos sea reconocida por el programa debe tener el siguiente formato:

Veamos con ms detalle como crear un archivo de matriz de datos. Abierto el programa, desplegamos el men de File tocando con el ratn y presionamos en la primera opcin que es New. As, abrimos la pantalla para la creacin de un nuestro archivo de datos (Spreadsheet). Se nos pregunta por el nmero de variables que aparecern en las columnas y el nmero de casos que aparecern en las filas. Siendo p variables, indicamos como nmero de variables (columnas) p y como nmero de casos (filas) p+4. Por ejemplo, si son 6 variables manifiestas, tendremos 6 columnas y 10 filas. Presionamos al botn de Continue y se abre el archivo para introducir los datos. Al presionar dos veces el botn derecho del ratn sobre cada columna, se abre una pantalla para definir la variable. En la ventana de Name ponemos el nombre de la variable. El programa acepta letras, nmeros y guiones bajos sin lmite de extensin. Es conveniente no rebasar los 8 caracteres, pues es el lmite que lee el programa de sintaxis para variables manifiestas. Dejamos las dems entradas con sus opciones por defecto. En Type aparece Double para poder introducir tanto nmeros como texto como valores para las variables. En Display format se halla General admite un mximo de 30 nmeros o letras. Si estamos creando una matriz de correlaciones, ponemos unos en la diagonal principal. Si es una matriz de varianzas-covarianzas o de momentos, ponemos los valores de varianza de cada variable. A continuacin se llenan slo los espacios por debajo de la diagonal principal, con los valores de correlacin para las matrices de correlaciones y con los valores de covarianzas para las matrices de varianzas-covarianzas y de momentos. Como nombre de caso en las p primeras filas se escribe el nombre de las variables en el mismo orden y con las mismas letras que aparecen en las columnas. Para meter el nombre del caso, ponemos el cursor en el espacio rosado al principio de la fila y presionamos dos veces en el botn derecho del ratn. Entonces se activa la casilla y se puede escribir sobre ella. Tras las p filas de variables, en la fila de orden p+1, se pone como nombre de caso Means. En esta fila introducimos las medias de cada variable. En la fila de orden p+2, se pone Std Dev. como etiqueta de caso: Aqu introducimos los valores de desviacin estndar de cada variable. En la fila p+3, se aade la etiqueta de No. Cases y se especifica el nmero de pares correlacionados. En la ltima fila (p+4), se escribe como etiqueta Matrix y en su primera columna el nmero con la que la identificamos el tipo de matriz: 1 para la de correlaciones y 4 para la de varianzas-

6
covarianzas y de momentos. Es necesario introducir los valores de las medias si vamos a analizar los datos como momentos. Los valores de las desviaciones estndar no es necesario que se especifiquen ya sea que tratemos los datos como correlaciones, como varianzas-covarianzas o momentos. Si es necesario introducir el nmero de casos. Si todas las variables tienen el mismo nmero de casos, basta con ponerlo en la columna de la primera variable. Creada la matriz de datos se puede guardar como un archivo STATISTICA matrix file (*.smx). A la hora de realizar los clculos, en la pantalla de Parameters vamos a especificar en la seccin de datos de anlisis (Data to analysis) si se trata de una matriz de correlaciones (correlations), de varianzas-covarianzas (Covariances) o momentos (Moments). Si introducimos matrices de correlaciones, varianzas-covarianzas o momentos de p variables procedentes de k muestras de distintas poblaciones con el objetivo de contrastar la estabilidad de la estructura factorial, entonces abrimos un archivo de p columnas y k(p+4) filas. De este modo, metemos cada matriz completa debajo de su precedente. Los datos de la primera muestra se hallan en las p+4 primeras filas, los de la segunda entre p+5 y 2(p+4), los de la tercera muestra entre la fila 2(p+4)+1 y 3(p+4) y as sucesivamente. Por ejemplo, en un modelo de 6 variables manifiestas de 2 poblaciones, tendremos 6 columnas y 20 filas. Si fuesen de 3 poblaciones, tendramos 6 columnas y 30 filas. Ver las matrices de los ejercicios 2 y 4. Si introducimos una matriz de correlaciones, varianzas-covarianzas o momentos de p variables capturadas k veces con el objetivo de comparar la estabilidad de la estructura correlacional, de covarianza o factorial en los k muestreos, entonces abrimos un archivo de k.p columnas y (k-1) (p) +4 filas. Usualmente se nomina a la variable en los sucesivos muestreos con el mismo nombre raz, se aade un guin bajo y el nmero de la secuencia de muestro (e.g., VER_1, VER_2, VER_3). Bajo la disposicin sealada podemos cruzar cada variable con las dems dentro de su muestra y consigo misma y las dems en las muestras sucesivas. Por ejemplo, en un modelo de 3 variables manifiestas capturadas dos veces, definimos una matriz de 6 columnas y 7 filas. Si hubiesen sido capturadas 3 veces, la matriz tendra 9 columnas y 10 filas. Ver la matriz de los ejercicios 5 y 6. XI.2.2 La definicin del modelo En la barra de men principal vamos a Statistics y se abre un men de opciones de clculo. Por este men bajamos hasta modelos lineales y no lineales avanzados (Advanced Linear/Nonlinear models). Al presionar con el ratn, se abre otro men con 11 opciones y escogemos la ltima que es modelamiento de ecuaciones estructurales (Strucural equation modeling). Al presionar nuevamente aparece una pantalla con dos pestaas: Quick y Advanced como vemos en la figura de abajo. La nica diferencia entre ambas modalidades de pantalla son los botones que aparecen en la parte superior izquierda. En Quick, tenemos dos botones de inters: Path tool que proporciona las herramientas para modificar un modelo activo y Path wizards para crear un nuevo modelo y en Advanced aparecen cinco, los dos anteriores, dos ms para abrir un modelo bien nuevo (New model) o bien grabado (open model) y un quinto botn para grabar el nuevo modelo o los cambios en el existente (save model as). En medio se halla Analysis syntax donde se carga el modelo activo y es un espacio donde se puede escribir empleando los comandos de sintaxis. En caso de no dominar el lenguaje de sintaxis, nos servimos de las herramientas proporcionadas por Path tool y Path wizard. De todos modos veamos brevemente el lenguaje de sintaxis para comprender mejor el programa que se activa en la ventana de Analysis syntax.

7
XI.2.2.1 La definicin del modelo con el lenguaje de sintaxis (Path1) Podemos definir y modificar modelos desde la ventana de Analysis syntax empleando el lenguaje Path1. A tal fin, ponemos el cursor sobre la ventana y presionando una vez en el botn derecho del ratn. De este modo se activa y escribimos los comandos de texto. Path1 es un lenguaje de computadora diseado para transformar en texto, lo ms exactamente posible, los smbolos de un diagrama de senderos. Las reglas bsicas de Path1 son las siguientes: 1. Cada fecha () representa una relacin causal y cada segmento (-) representa una relacin no causal como covariacin, correlacin o un valor de varianza. 2. Cada relacin se especifica en una lnea, no pudindose introducir ms de una relacin por lnea. 3. Las lneas en blanco no cuentan. 4. Las lneas que comienzan por asterisco * se tratan como comentarios de texto y no las analiza el programa. 5. Las variables manifiestas se representan con su nombre completo encerrado en corchetes y nunca debe rebasar los 8 caracteres. Se permite el guin bajo _. Por ejemplo, [I1]. 6. Las variables latentes se representan con todo su nombre entre parntesis y ste no debe rebasar los 20 caracteres. Admite y diferencia maysculas de minsculas y guiones bajos. Por ejemplo, (DIS). 7. Las relaciones causales se representan del siguiente modo: Nombre de la variable independiente nmero entero del orden del parmetro valor inicial del parmetro entre llaves {} nombre de la variable dependiente. Por ejemplo, un factor que determina un elemento: (DIS)1{.5}[I1]. Si el nombre de la variable independiente se omite, entonces se toma de la primera variable de la lnea anterior. El nmero del orden del parmetro indica que su valor es libre para que lo estime el programa. Si se omite el nmero, se da a entender que el parmetro tiene un valor fijo, tomndose el que aparece entre llaves. Si se omite tambin ste, implica que es uno. Si el nmero de orden del parmetro est especificado, pero se halla ausente el valor inicial del parmetro en el proceso de clculo iterativo, entonces el programa asume el valor por defecto que es .5. En los programas de sintaxis observamos que los residuos son variables latentes que determinan a las variables manifiestas como un parmetro fijo unitario. Por ejemplo, (Error1)[I1]. El programa no calcula ningn parmetro para esta relacin y en el modelo final las correspondientes lneas en blanco. La significacin de los residuos la conocemos a travs del parmetro de varianza que es libre (Error1)-21-(Error1) y parece en el modelo final. 8. Las relaciones no causales (de covariacin o correlacin) entre dos variables se representan del siguiente modo: Nombre de la primera variable nmero entero del orden de parmetro valor inicial del parmetro entre llaves segunda variable. Por ejemplo, la correlacin de dos factores o variables latentes: (DES)-41{.5}-(DIS). Si el valor inicial del parmetro est omitido, el programa asume el valor por defecto que es .5. Si el nombre de la primera variable se omite, entonces se toma de la primera variable de la lnea anterior. 9. Poblaciones estadsticas diferentes se denotan por Group1 al inicio y Endogroup al final del conjunto de lneas que definen el modelo. Representando el orden por el nmero entero que aparece pegado a Group. Para el segundo sera Group2 y el tercero Group3. 10. Un parmetro de una variable manifiesta como la varianza se representa del siguiente modo: [nombre de la variable] nmero del orden del parmetro valor del parmetro inicial entre llaves [nombre de variable]. Por ejemplo, la varianza de la variable rol de gnero se escribira as: [genero]-44-{2.30}-[genero]. Esto se realiza cuando el modelo tiene variables manifiestas exgenas, se ha escogido la opcin USER que viene por defecto en la seccin de Manifiest exogeneous dentro de las pantalla de los parmetros y se analizan los datos como varianzascovarianzas. Tambin hay para que especificar los parmetros de inicio en correlaciones y relaciones de dependencia donde la variable exgena es una variable independiente. Si se opta por Free o Fixed para el tratamiento de las variables manifiestas exgenas, entonces no se

8
escribe estas especificaciones. Si se hiciese, el programa dara un mensaje de error y no se realizara el clculo. IX.2.2.2 Definicin del modelo con Path wizard Al presionar en Path wizard se abre una pantalla con dos opciones: Anlisis factorial confirmatorio (Confirmatory factor analysis) que aparece por defecto y modelamiento estructural (structural modeling). As que le presionamos al botn de OK.

Se abre una pantalla que nos permite definir el modelo. Empezamos por las variables latentes (latent variables). Podemos proponer hasta un mximo de 9. En el espacio en blanco escribimos la etiqueta del factor y presionamos al botn Var para escoger las variables manifiestas que son determinadas por el factor. Aparece una ventana con todas las variables del archivo precedidas de un nmero. En la ventana en blanco de abajo escribimos el nmero de cada variable que compone el factor, separando cada nmero por medio de la barra espaciadora. De este modo se activan en color las variables afectadas en el cuadro superior. Especificadas todas las variables se presiona en el botn de OK. De vuelta en la pantalla anterior, se va definiendo uno a uno los factores. Por defecto el programa nombra a las variables residuales: DELTA. Podemos sustituir este nombre. Debajo de Latent variables en el espacio donde est escrito DELTA con el cursor lo activamos, borramos la palabra y escribimos la denominacin que queremos como por ejemplo Error o Residuo. El programa considera tanto errores como variables manifiesta se introduzcan en el modelo. Los errores son enumerados de 1 a p. El error 1 determina a la primera variable manifiesta introducida en el programa de sintaxis, el error 2 a la segunda y el error p a la ltima. Definidos todos los factores, en la parte derecha de la pantalla podemos ver dos sectores: Factors y Residual variables. Tanto Factors como Residual variables nos permiten especificar si todos los factores o residuos son independientes entre s (Uncorrelated) que es la opcin por defecto o si al menos dos de ellos estn relacionados (Correlated). Lo ms comn es mantener el supuesto de independencia de los residuos, pero el programa es flexible y permite matizar relaciones entre residuos. Si nuestro modelo cuenta con factores relacionados, sealamos Correlated en Factors y presionamos en el botn de OK que est en la parte inferior derecha de la pantalla. As, abrimos la pantalla para definir la relacin entre los factores. Marcamos en la primera ventana un factor y en la segunda otro, presionamos al botn Correlate y el par se introduce en la tercera ventana; con lo que ya quedan especificados como factores que correlacionan. Si nos equivocamos, marcamos el par en la tercera ventana y presionamos al botn Delete. Definidos de este modo todos los pares de factores relaciones del modelo presionamos al botn de OK. Aparece una pantalla con dos opciones: Aadir este modelo al programa existente (Append this model to existing program) o reemplazar el programa existente con el nuevo modelo (Replace existing program with new model). Por defecto est marcada la primera opcin. Le presionamos al botn de OK. Cuando ya est activo un modelo tomaramos la segunda opcin para que lo reemplace. En la ventana de Analysis syntax aparece el modelo. Sobre este modelo cualquier cambio que queremos hacer lo llevamos a cabo desde la pantalla que se abre al presionar al botn de Path tool. Para guardar el modelo, presionamos en el botn de Save model as que abre una pantalla para poner el nombre y sealar la carpeta o unidad donde queremos grabar el modelo. El tipo de archivo es .CMD. Es necesario crear cuantos modelos vayamos a contrastar, ponerles un nombre y guardarlos. La pantalla de Advanced a travs del botn de Open model nos permite recuperar los mismos, que deben guardarse en una misma carpeta para facilitar su manejo. XI.2.2.3 Definicin del modelo con Path tool La forma ms cmoda de crear un modelo es desde el botn de Tool wizard, aunque tambin se puede definir desde Path tool. Creemos ahora el modelo con Path tool (ver grfica en la figura de abajo). Al presionar al botn de editar variables latentes (Edit latent), que se halla en la zona central de la pantalla

9
de Path construction tool, emerge una nueva pantalla donde ponemos las etiquetas a las variables latentes de los factores. Las etiquetas no deben rebasar los 20 caracteres, pues es el lmite que lee el programa de sintaxis para variables latentes. Se puede emplear maysculas, minsculas y guiones bajos. Al dar al botn OK aparecen en las ventanas de variables que estn sector superior izquierdo de la pantalla de Path construction tool. Pueden verse tanto en la ventana de variables de origen (from) como en la de variables de destino (to) si se activa la opcin de variables latentes. Precisamente, arriba de cada ventana hay un men despegable con dos opciones: Manifiest y Latent. La primera activa variables manifiestas y la segunda variables latentes (factores y errores). Para definir los factores, en la ventana de variables de origen (from) se activan las variable latentes (Latent); y en la de variables de destino (to), las variables manifiestas. En el sector de tipo de va (Path type) se escoge la opcin de fecha que indica causalidad. As, los factores son los determinantes de las puntuaciones en las variables manifiestas. Si queremos especificar el valor del parmetro de inicio, activamos el sector de valor de inicio (start value). Marcamos una palomilla en la opcin de incluir (Include) presionando con el cursor. Por defecto aparece un valor de .5. No lo cambiamos salvo que sea un requisito importante del modelo. Precisamente, Tool wizard toma este valor y no lo muestra en el cuadro de sintaxis. Cuando el valor est especificado aparece entre llaves tras el nmero de orden del parmetro. A continuacin presionamos en el botn de aadir (Add) y el comando se introduce en la ventana de sintaxis del modelo (Paths) que se ubica en la zona suprior derecha. Para definir los errores, en Path Type marcamos Residual. Entonces se activa la ventana de abajo Residual variables y se inhibe la ventana de variables de origen (from). En residual variable vemos que por defecto aparece como nombre de base EPS, pero lo podemos cambiar por otro nombre con un mximo de 20 caracteres, por ejemplo Error o Residuo. Tambin por defecto se empieza a enumerar a partir de 1. En nuestro ejemplo enumera los errores de 1 a 20. Ahora vamos a la ventana de variables de destino (to) e introducimos las variables manifiestas una a una por medio del botn Add. En la ventana de sintaxis (Paths) nos aparecen dos lneas: (Error1)-->[I1] y (Error1)-21-(Error1). La primera lnea indica que la variable latente Error 1 determina a la variable manifiesta I1 y que se trata de un parmetro fijo con valor unitario que no afecta a los grados de libertad del modelo, por lo que no aparecer en el modelo final. La segunda lnea indica que la varianza del error es un parmetro libre que el programa debe estimar y aparecer en el modelo final. Al no haber ningn valor entre llaves, se entiende que el valor inicial en el proceso de clculo iterativo es .5. Es a travs de esta varianza como valoramos el peso de las variables residuales en el modelo final. Si el parmetro es significativamente distinto de cero, indica que el factor nico tiene un peso. En caso contrario, no existe. Se puede especificar un valor de inicio activando start value antes de aadir el comando la ventana de sintaxis (Paths). En tal caso es mejor dejar el valor por defecto, aunque se explicite Error1-41{.5}-Error1. Precisamente, Path wizard no especifica ningn valor y se asume .5. Para introducir las correlaciones entre los factores marcamos en Path type la segunda opcin. En las ventanas de variables de origen y destino seleccionamos Latent en el men superior despegable. A continuacin marcamos el par de factores, un factor en cada columna y lo introducimos en la ventana de sintaxis (Paths) presionando en el botn de aadir (Add). De este modo dejamos que el parmetro de la correlacin tome el valor inicial por defecto de .5. Si queremos especificarlo activamos Start value y ponemos su valor antes de aadir el comando en el dilogo de sintaxis (Paths). Igualmente se puede hacer con las correlaciones de los residuos.

Si tenemos alguna variable manifiesta que no es determinada por ninguna otra variable ya sea latente (factores o errores) o manifiesta, y slo entabla relaciones de covarianza o de correlacin, estamos ante una variable manifiesta exgena. En este caso tenemos que especificar los parmetros de inicio, salvo que empleemos las opciones de Free o Fixed en la seccin de Manifiest exogenous que aparece en la pantalla que se abre por medio del botn de Parameters. La varianza de cada variable manifiesta exgena se puede especificar marcando la opcin de Covar en Path type. En variables de destino (to),

10
seleccionamos desde su men desplegable: Manifiest. A continuacin marcamos la variable manifiesta exgena. Activamos la seccin de Start value y ponemos su valor de la varianza. Lo insertamos en la ventana de sintaxis del modelo (Paths) presionando en el botn de aadir (Add). En el caso de las correlaciones con otras variables, marcamos la segunda opcin en Path type. En variables de origen y destino marcamos la opcin de Manifiest. Seleccionamos la variable exgena en una ventana y la otra variable con la que correlaciona en la otra ventana. Activamos valor de inicio y lo especificamos el valor de la correlacin y finalmente presionamos en el botn de aadir (Add). XI.2.2.4 Definicin del modelo con un diagrama de senderos (Path diagram) SEPATH no ofrece la posibilidad de representar el modelo por medio de una grfica de senderos como s otros programas tal como AMOS, LISREL y EQS. No obstante, vamos a ver las convenciones para la representacin grfica del modelo: Las variables manifiestas se representan dentro de cajas. Las variables latentes dentro de crculos ovales. La relacin causal se representa por medio de un vector o flecha con origen en la variable independiente y final en la variable dependiente; es decir, apunta hacia la variable dependiente. El mdulo del vector no representa la magnitud del parmetro. El valor inicial del mismo, si est especificado, se representa en la zona media del vector, ligeramente arriba. Las relaciones no causales como covariacin o correlacin se representan por lneas recta que unen las variables que covaran o correlacionan. El valor inicial de parmetro libre de la relacin, si est especificado, se representa en la zona media de la lnea, ligeramente arriba. Segmentos curvos sin flechas que parten y vuelven de la variable a forma de un sombrero representan la especificacin de un parmetro que se escribe en el centro ligeramente arriba. Normalmente, valores de varianza. Las variables endgenas reciben segmentos con fecha. Las variables exgenas no reciben segmentos con fecha, pero pueden ser origen de ellos. Veamos un ejemplo:

En este diagrama tenemos que las variables X1, X2, X3, X4, X5 y X6 son variables manifiestas endgenas. Estn inscritas en cajas y reciben flechas. L1 es una variable latente exgena. Est inscrita en un oval y no recibe flechas. L2 es una variable latente endgena. Est inscrita en un oval y recibe flechas. Se sobreentiende que E2 es una variable residual que determina a la variable manifiesta X2. D1 y D2 son parmetros iniciales especificados (varianzas). L1 determina a las variables manifiestas X1, X2 y X3, as como a la variable latente L2. Adems, se ha especificado la varianza de la variable latente L1 que es D1. L2 determina a las variables X4, X5 y X6. L2 est determinado a su vez por la variable latente L1 y la variable residual que determina a la variable manifiesta X2 que tiene tambin el valor de su varianza especificado (D2). En el diagrama no se representa ninguna relacin no causal entre variables. Los parmetros de todas las relaciones causales se han dejado libres y toman como valor de inicio, el fijado por defecto que es .5. Tambin, es frecuente en los artculos de investigacin donde se emplea anlisis factorial confirmatorio o el anlisis de senderos que se represente el modelo final y se escriba encima de las flechas y las lneas los parmetros finales de las relaciones. Estos valores los podemos tomar como especificaciones iniciales para nuestro modelo. Adems, si se ha reportado la matriz de varianzas-covarianzas o de correlaciones, podemos emplear sta para contrastar el ajuste del modelo entre las dos muestras. XI.3 PARMETROS DEL MODELO Y MTODOS DE ESTIMACIN DE LA FUNCIN DE DISCREPANCIA

Para realizar el clculo, debemos tener cargado el modelo en la ventana de analysis syntax de la pantalla de Structural equation modeling. Ahora nos interesa el botn de fijar parmetros (Set parameters) que se halla en el extremo inferior izquierdo y da acceso a la pantalla para definir los

11
criterios y mtodos de clculo. Este botn tambin lo hallamos dentro de la pantalla de Path tool en su extremo inferior derecho. Como opciones que aparecen en la pantalla Analysis parameters tenemos: el tipo de datos de donde parte el anlisis (matriz de varianzas-covarianzas, matriz de correlaciones o matriz de momentos), opciones para la presentacin de resultados (nmero de decimales y especificacin de los errores estndar de los parmetros), mtodos de estimacin de la funcin de discrepancia (Mxima verosimilitud, Mnimos cuadrados generalizados, combinacin secuenciada de Mnimos cuadrados generalizados y Mxima verosimilitud, estimador gramiano asintticamente libre de distribucin y estimador insesgado asintticamente libre de distribucin), estandarizacin de los datos (antes del anlisis, despus del anlisis y ninguna), parmetros iniciales de las variables exgenas (bien son estimados desde los datos y varan en el proceso iterativo, bien son estimados desde los datos pero permanecen fijos a lo largo del proceso iterativo o bien son especificados), criterios de convergencia para detener el proceso iterativo (coseno residual mximo y cambio relativo de la funcin de discrepancia), parmetros de iteracin globales (nmero mximo de iteraciones, extensin mxima del paso, nmero de iteraciones de descenso escarpado y tolerancia del paso), mtodos de bsqueda de lnea en el vector de parmetros (interpolacin cbica, seccin dorada y pasos divididos simples), parmetros de la lnea de bsqueda en el vector de parmetros (mximo nmero y fraccin de los pasos divididos simples, alfa LS cbica, tau y precisin de bsqueda de la seccin dorada) y valores iniciales (todos excepto la varianza, covarianza o correlacin de las variables manifiestas exgenas toman un valor de .5 o son estimados desde la tcnica de McDonald y Hartmann (1992).

Un aspecto comn a todos los procedimientos de estimacin es que requieren que el usuario especifique algunos valores de inicio y criterios de convergencia. Todos los mtodos empezarn con un conjunto particular de estimaciones iniciales, los valores de inicio. stos sern cambiados de un modo sistemtico de iteracin a iteracin. En la primera iteracin, el tamao del paso determina cuantos parmetros sern cambiados. El criterio de convergencia determina cuando el procedimiento iterativo se detendr. Por ejemplo, el proceso puede finalizar cuando las mejoras en la funcin de prdida de iteracin a iteracin son menores que una cantidad especificada. La funcin de prdida representa una medida selecta de la discrepancia entre los datos observados y los pronosticados por la funcin ajustada, siendo sta ltima la minimizada en un procedimiento de ajuste a un modelo terico. Es importante sealar que el programa fija por defecto unos valores para estas especificaciones que son los ms apropiados en la mayora de los casos, los cuales deben ser mantenidos salvo que se tenga gran dominio de los procedimientos de iteracin no lineales. XI.3.1 Tipos de datos para el anlisis (Data to analysis) En el sector de Data to analysis, se especifica el tipo de datos que contiene la matriz que se factoriza. Por defecto se estima el modelo desde la matriz de varianzas-covarianzas. No obstante, cuando el clculo se ejecuta desde esta matriz es muy sensible a la heterogeneidad de los recorridos de las escalas. As, es recomendable emplear la matriz de correlaciones que solventa este problema marcando la opcin Correlations. Salvo que se empleen las variables estandarizadas. En tal caso la matriz de varianzas-covarianzas y la de correlaciones coincidiran. El programa analiza la matriz de correlacin desde la teora de estimacin constreida desarrollada por Browne (1982), Mels (1989) y Browne y Mels (1992). Tambin, aparece una tercera opcin Moments que permite definir modelos con intercepto. As, una variable manifiesta est determinada por un factor comn, un factor nico y una constante. La constante representa el punto de corte de la recta de puntuaciones factoriales en los ejes de proyeccin de los factores.

12
Al especificar la opcin moments, en el programa de sintaxis debe aparecer una variable manifiesta adicional que es Constant. Esta variable puede determinar una a una a las variables manifiestas endgenas. Tras sealar moments en Data to analysis, Constant surge entre las variables manifiesta de las ventanas de variables origen (from) y finales (to) de la pantalla de Path wizard. As, se puede utilizar esta herramienta para incorporarlas al programa de sintaxis. En ambas ventanas de variables marcamos Latent en el men despegable. En la ventana de variables de origen (from) sealamos Constant; en la ventana de variables de destino (to) una de las variables manifiestas, por ejemplo I1; activamos Start value si queremos especificar el valor de inicio del parmetro para Constant que sera la media de la variable manifiesta; y finalmente, presionamos en el botn de aadir (Add) para que el comando se incorpore al programa de sintaxis (Paths). Por ejemplo: [Constant]-44{2.1}[I1]. Para la variable manifiesta I1 hemos introducido una constante que determina su valor, cuyo valor inicial es la media de I1 (2.1). Al ser un parmetro libre, el valor final variar, pudiendo incluso no ser significativo. Si queremos que no se cambie, entonces indicamos al programa que es un parmetro fijo: [Constant]-{2.1}[I1]. Entonces el intercepto ser la media de la variable manifiesta. Tambin, podemos dejar el valor de Constant al determinar a I1 como un parmetro libre y omitir el valor de inicio: [Constant]-44[I1]. Como sabemos el programa toma como valor de inicio .5. Si los datos se analizan desde una matriz, sta deber ser de varianzas-covarianzas (Matrix=4) y tener especificadas las medias de la variables en la lnea de Means. Cada una de estas medias sern empleadas como intercepto si la relacin de determinacin de la constante sobre la variable manifiesta se especifica como un parmetro fijo o como valores de inicio si la relacin se especifica como un parmetro libre y el valor de la media est entre llaves tras el nmero de orden del parmetro. IX.3.2 Opciones de resultados (Output options) La agrupacin Output options permite controlar dos opciones de presentacin de resultados. Por una parte, el nmero de decimales. Est fijado por defecto en 3. Con los botones de flechas se puede aumentar o disminuir los decimales. Por otra parte, si se desea o no la presentacin de los errores estndar para los parmetros. Por defecto est marcada. Se puede desactivar poniendo el cursor sobre la palomilla y presionando en el botn derecho del ratn. Slo, cuando se emplea la opcin de Mnimos cuadrados ordinarios (OLS) para estimar la funcin de discrepancia, no se pueden calcular el error estndar de cada parmetro. Con los dems mtodos, si esta opcin est marcada aparecen. XI.3.3 Mtodos de estimacin de la funcin de discrepancia (Discrepancy function) El anlisis factorial confirmatorio parte de la hiptesis de la equivalencia de los parmetros del modelo observado y el modelo propuesto. La hiptesis alternativa sera la discrepancia significativa entre ambos modelos. Tras estimar los parmetros del modelo (), se crea una funcin diferencial F entre stos () y los datos observados (S). A esta funcin F(S, ) se denomina de discrepancia. A continuacin, se contrasta si su valor es significativamente distinto de cero. Si lo es, entonces se rechaza la hiptesis nula de equivalencia. En caso contrario se mantiene. El programa STATISTICA presenta 6 mtodos iterativos de estimacin de la funcin de discrepancia. Estos mtodos definen la funcin que es minimizada y con la que se estima los parmetros y calculan su valor. Mxima verosimilitud (Maximum likelihood) (ML). Requiere del supuesto de normalidad multivariada y muestras grandes y aleatorias. La finalidad del mtodo es la minimizacin de la siguiente funcin FML(S, ()) definida por Ln() - LnS + Tr (S ()-1) p. Donde Tr() denota la traza del operador, Ln el logaritmo neperiano, Sel determinante de la matriz S que es la matriz de varianzas-covariazas insesgadas, () el sumario de los parmetros del modelo propuesto y p es el nmero de variables manifiestas. Mnimos cuadrados generalizados (Genralized Least Squares) (GLS). Tambin requiere del supuesto de normalidad multivariada. La finalidad del mtodo es la minimizacin de la funcin FGLS(S, ()) definida por 1/2 Tr [(S - ()S-1)]2. Donde Tr() denota la traza del operador, Sel determinante de la matriz S que es la matriz de varianzas-covariazas insesgadas, () el sumario de los parmetros del modelo propuesto y p es el nmero de variables manifiestas. Combinacin secuencial de Mnimos cuadrados generalizados y Mxima verosimilitud (Genralized Least Squares - Maximum likelihood) (GLS ML). Combina los dos mtodos anteriores y parte del supuesto de normalidad multivariada. Primero ejecuta 5 iteraciones bajo el mtodo de Mnimos Cuadrados Generalizados y luego sobre la solucin aplica el mtodo de Mxima verosimilitud. Es la opcin que aparece por defecto y es la ms empleada. Mnimos cuadrados ordinarios (Ordinary Least Squares) (OLS). Requiere del supuesto de normalidad multivariada. La finalidad del mtodo es la minimizacin de la funcin FOLS(S, ())

13
definida por 1/2 Tr (S - ()). Donde Tr() denota la traza del operador, Sel determinante de la matriz S que es la matriz de varianzas-covariazas insesgadas y () el sumario de los parmetros del modelo propuesto. Es un mtodo ms sencillo, pero menos preciso que los anteriores. Estimador insesgado asintticamente libre de distribucin (Asymptotically Distribution Free Unbiased) (ADFU). No requiere del supuesto de normalidad multivariada. Browne (1982, 84) present una frmula para estimar la matriz de varianzas-covariazas asinttica en el contexto de datos con distribucin continua usando momentos de orden cuarto. Puesto que esta frmula no requiere especificar una forma de distribucin para las variables observadas, se le denomina estimador asinttico libre de distribucin si se emplea con una matriz de varianzas-covarianzas corregida. El mtodo requiere que la matriz de varianzas-covarianzas o de correlacin asinttica corregida sea gramiana, es decir, que los determinantes de los menores de su diagonal principal tenga un valor no negativo. El menor de un elemento es una submatriz que se obtiene al eliminar la fila y la columna a la que pertenece dicho elemento. En caso de que la matriz de varianzascovarianzas o de correlacin asinttica corregida no sea gramiana, es decir, que el determinante del menor de algn elemento de su diagonal principal sea negativo, entonces el programa emite un mensaje de error y se requiere emplear la opcin ADFG. Como estimacin preeliminar a la estimacin ADFU, se realiza una estimacin por Mnimos cuadros generalizados (GLS). Estimador gramiano asintticamente libre de distribucin (Asymptotically Distribution Free Gramian) (ADFG). No requiere asumir el supuesto de normalidad multivariada de las tres opciones anteriores. En esta variante, se garantiza que la matriz de varianzas-covarianzas o de correlacin asinttica corregida sea una matriz gramiana no singular, es decir, con los determinantes de los menores de su diagonal principal positivos. El programa como paso preeliminar realiza una estimacin por Mnimos cuadros generalizados.

Se ha de sealar que al emplear como datos una matriz de varianzas-covarianzas, de correlaciones o de momentos, los mtodos de estimador asinttico libre de distribucin, ya sea el gramiano (ADFG) o el insesgado (ADFU) no se pueden emplear. Estos dos mtodos requieren la matriz de datos con las puntuaciones de los n sujetos en las p variables. XI.3.4 Criterios de convergencia (Convergency criteria) Respecto a los criterios de convergencia para alcanzar la solucin y detener las iteraciones el programa fija por defecto un valor mximo del coseno residual de .0001 y un cambio en la funcin de discrepancia relativo de .000000. XI.3.5 Parmetros globales de iteracin (Global iteration parameters) En esta seccin se especifica el nmero mximo de iteraciones, la longitud o extensin mxima de cada paso, el nmero de iteraciones por el mtodo de descenso escarpado y la tolerancia en cada paso. Es importante aclarar que paso e iteracin no son exactamente sinnimos, pues una iteracin se puede componer de uno o ms pasos. Respecto a los parmetros para las iteraciones, por defecto se fija un mximo de 30 iteraciones. Cuando se alcanza el lmite fijado y el programa no logra una solucin bajo los mnimos especificados, entonces emite un mensaje de error. Se puede repetir el clculo ampliando las iteraciones. El programa admite un mximo de 1000 iteraciones. Extensin mxima del paso (Maximun step Length). Se establece una extensin mxima o nmero mximo de cambios permitidos dentro del vector de parmetros en cada paso iterativo. Por defecto est fijado en 10,000 que es un nmero extremadamente alto para que no haya ningn problema. El programa permite el cambio dentro de un paso del 100% de los parmetros, salvo que en la ventana de Maximun step Length se especifique un nmero menor al que de parmetros tiene el modelo. Nmero de iteraciones descendentes escarpadas o con mxima pendiente (Number of steepest descent iterations). Por defecto est anulada esta opcin al aparece como valor 0. En el momento que se ponga un valor entero distinto de cero es activada. Cuando los valores iniciales de los parmetros estn muy alejados de los finales, la aproximacin hessiana usada en el procedimiento de Gauss-Newton puede fallar en proporcionar una direccin apropiada durante cada iteracin. Una solucin es emplear el mtodo de pasos de pendiente mxima descendentes o descenso escarpado. En trminos simples lo que significa esto es que el procedimiento hessiano que es un algoritmo de minimizacin no lineal, basado en derivadas parciales de primer y segundo orden sobre la funcin de prdida, no es empleado para ayudar a encontrar la direccin para el siguiente paso. En su lugar, solamente la primera

14
informacin proporcionada por el gradiante o derivada de la funcin de discrepancia se emplea. No es conveniente introducir un gran nmero de iteraciones con el procedimiento descendiente de mxima pendiente o descenso escarpado, siendo de utilidad solamente cuando la rutina de iteraciones da mensaje de error, al no poder avanzar, tras unos pocos pasos. Tolerancia en cada paso (Step tolerance). El valor de tolerancia es bsicamente uno menos la correlacin mltiple al cuadrado de un parmetro con los restantes parmetros. Si el parmetro es excesivamente redundante con respecto a los dems durante la iteracin, la aproximacin hessiana empleada se convierte en inestable o poco fiable. As que requiere ser eliminado temporalmente del proceso iterativo. Si fijamos un valor de tolerancia muy bajo, pocos parmetros sern eliminados y puede arrojar soluciones inestables. Por el contrario, si se fija muy alto puede ocasionar la prdida de mucha informacin. Un valor ptimo de tolerancia se considera que es .001. IX.3.6 Valores iniciales (Inicial values). En esta seccin aparecen dos opciones para establecer el valor inicial de los parmetros libres. La primera opcin Default establece un valor de .5 para todos los parmetros libres del modelo, excepto para los de las variables exgenas. La segunda Automatic los estima desde un mtodo derivado de la tcnica descrita por McDonald y Hartmann (1992). IX.3.7 Estandarizacin de valores (Standarization) En el sector inferior derecho aparece las opciones de estandarizacin de las variables latentes que tendran una media de 0 y una desviacin estndar de 1. Cuenta por tres opciones: Nuevo (New) Estandariza todas las variables del modelo tanto las latentes como las manifiestas. Viejo (Old) Se genera la solucin estandarizada de las variables latentes despus que el proceso iterativo es completado, es decir, se estandariza la solucin obtenida. Ninguno (None). Calcula una solucin no estandarizada que es la opcin fijada por defecto. No obstante, si se opt en datos para el anlisis (data to analysis) por la matriz de correlacin, tanto las variables manifiestas como las latentes se manejarn como estandarizadas y entonces el resultado por los tres mtodos es el mismo. IX.3.8 Variables manifiestas exgenas (Manifiest exogenous) En algunas ocasiones el modelo puede contar con una o ms variables manifiestas exgenas, es decir, variables que aparecen en la base de datos, estn contempladas en el modelo, pero no estn determinadas por ningn factor ni variable manifiesta. Por ejemplo, una variable de deseabilidad social que est fuera de la composicin de los factores propuestos, pero que determina a stos. A tal fin, en la pantalla de Analysis parameters tenemos la seccin de Manifiest exogenous. Aqu, se escoge el mtodo de tratamiento de estas variables. El programa ofrece tres opciones: valores fijos (Fixed), valores libres (Free) y valores establecidos por el usuario (User). Si se especifica Fixed los valores de determinacin, correlacin o varianza-covarianza de las variables manifiestas exgenas son estimados desde la base de datos y se extraen de cada proceso iterativo para que se mantengan constantes, lo que hace al modelo menos fiable. Si se emplea la opcin Free, entonces estos parmetros de varianza, covarianza, de correlacin o de determinacin son estimados desde los datos maestrales e introducidos en los pasos iterativos. Al optarse por User se tiene que indicar al programa los valores de inicio de los parmetros de las variables exgenas (varianzas-covarianzas, correlaciones y determinacin) que sern cambiados en el proceso iterativo. No obstante, se eliminamos el nmero de parmetro en el programa de sintaxis, el parmetro quedar fijo. Como ya hemos visto, estos parmetros se especifican empleando Path1 syntax y Path tool. XI.3.9 Mtodo de bsqueda del parmetro o lnea del vector de los parmetros a modificar (Line search method) Una vez la direccin del paso ha sido elegida, el problema de minimizacin es bsicamente reducido de un problema de k parmetros desconocidos a un problema de 1 parmetro desconocido, es esto, se reduce la extensin del paso de k a 1, por lo que se modifica slo una lnea del vector de parmetros. Hay tres mtodos para elegir la extensin del paso: Mtodo de Interpolacin cbica (Cubic interpolation): Es un mtodo rpido y bastante robusto. Funciona bien en una amplia variedad de circunstancias, as es la opcin por defecto. Aplica la misma regla en cada iteracin. Seccin dorada (Golden section). Este mtodo intenta resolver de forma especfica el problema de minimizacin unidimensional en cada iteracin. Con frecuencia converge en un nmero ligeramente menor de iteraciones que la interpolacin cbica, pero toma ms tiempo, pues requiere ms

15
evaluaciones funcionales en cada iteracin para hallar esa seccin dorada o parmetro donde el cambio es ptimo. Mtodo de pasos divididos simples o semipasos (simple stephalving). Es el ms rpido, no obstante falla en obtener la convergencia ante ciertos problemas que son superados por los dos mtodos anteriores. Si se opta por este mtodo y aparece un mensaje de error por falta de convergencia debe optarse los dos anteriores.

XI.3.10 Tipo de parmetros sobre los que se aplica el mtodo de bsqueda (Line Search parameters) Depende del mtodo de bsqueda. As, al escoger un mtodo de bsqueda se activa el o los parmetros relevantes. Para el mtodo de Interpolacin cbica se activa la opcin alfa LS cbica (Cubil LS alpha) que controla el tamao de la reduccin de la funcin de discrepancia que se tomar como aceptable. El valor por defecto es .0001, el cual permite que virtualmente casi toda mejora sea considerada aceptable. Para el mtodo de la Seccin dorada, se activan las opciones de Tau (Golden Section Tau) y la Precisin (Golden section precision). El primero limita el rango de amplitud que se fija en .5 y el segundo la precisin de la estimacin que se fija en .1. Para el mtodo de pasos divididos simples se activa el nmero mximo de pasos divididos (Max. No. Of Stephalves) que se fija en 3 y la fraccin del paso dividido (Stephalve fraction) que establece el valor de la fraccin por la que es multiplicado cada paso. sta se fija en .5 XI.4 CONTRASTE DE LA NORMALIDAD MULTIVARIADA

El programa ofrece pruebas para contrastar dos propiedades que cumplen las distribuciones normales: simetra y kurtosis. Con respecto a la asimetra, proporciona ndices de simetra univariados tanto no corregidos como corregidos o insesgados, as como la asimetra estandarizada que se calcula con la asimetra insesgada y su varianza asinttica que se obtiene con la frmula 6/N, siendo N el tamao de la muestra. Los valores de asimetra deben estar lo ms prximos a 0. Se facilita su interpretacin desde la presentacin estandarizada. Con valores menores a -2 o mayores a +2, se puede rechazar el supuesto de asimetra con una p<.01. Con respecto a la kurtosis, tambin se proporcionan ndices de kurtosis univariados tanto no corregidos como corregidos, y el estandarizado que se estima desde el insesgado y su varianza (24/N). Igualmente que con los ndices de asimetra los ndices de kurtosis univariados deben estar prximos a 0. Con una valor menor a -2 o mayor a +2 en el ndice estandarizado, se puede rechazar el supuesto de perfil normal o mesocrtico con una p<.01. Adems, el programa calcula 6 ndices de kurtosis multivaridos: Kurtosis multivariada de Mardia (Mardias multivariate kurtosis): Se calcula por medio de la siguiente frmula: 1 = 1/N [(Xi ) S-1 (Xi )]2 p(p+2), donde Xi es el vector del sujeto i en la matriz de observaciones de n sujetos y p variables, el vector de medias muestrales, p el nmero de variables observadas y S la matriz de varianzas-covarianzas. Kurtosis multivariada relativa (Relative multivariate kurtosis): Se calcula desde la anterior por medio de la siguiente frmula: 2 = [1 + (p+ 2)] / p(p+2). Kurtosis multivariada normalizada (Normalizad multivariate kurtosis). Se obtiene desde la kurtosis multivariada de Mardia con la siguiente frmula: 0= 1 / [8.p.(p+2) / N]1/2 Kappa de Mardia: Se obtiene a partir de la kurtosis multivariada de Mardia por medio de la siguiente frmula: 1= 1 /p(p+2). Kurtosis univariada de escala de medias (Mean scaled univariate kurtosis). Se define a partir de la kurtosis multivariada de Mardia y se calcula por medio de la siguiente frmula: 2=1/3p 1(j), donde j vara de 1 a p. Kurtosis univariada de la escala de medias ajustadas (Adjusted mean scaled univariate kurtosis). Consiste en introducir una correccin sobre la frmula anterior para ciertos casos, as se define como: 3= 1/3pg2(j), donde g2(j)= 1(j) si 1(j)>-6/p+2 g2(j)= -6/p+2 en caso contrario. De los ndices de kurtosis multivariada es ms fiable y fcil de interpretar es la Kappa de Mardia que vara de 0 a 1. Cuanta ms prxima a 0, mejor. Con valores mayores a .1 se considera que la combinacin lineal de las variables por pares no presenta un perfil mesocrtico. Asimismo, la kurtosis multivariada normalizada debe tener un valor entre -2 y +2 para que se mantenga el supuesto de kurtosis multivariada. XI.5 ESTADSTICOS DE MEJORA DEL MODELO

Nos informan sobre cuales elementos debemos reemplazar o eliminar para mejorar el ajuste del modelo.

16
XI.5.1 Estadsticos del multiplicador de Lagrange El programa proporciona los estadsticos del multiplicador de Lagrange (Lagrange multiplier statistics) que son de gran utilidad para la correccin del modelo. Si se opt por correlaciones en Data to analysis, es decir, los clculos se hacen desde la matriz de correlaciones, entonces cada variable manifiesta endgena tendr una variable latente ficticia vinculada a ella, con la varianza constreida a 1. Si se opt por la matriz de varianzas-covarianzas, se observa la misma restriccin con la opcin New en mtodos de estandarizacin. En ambos casos los estadsticos del multiplicador de Langrange deben ser 0. Si algn valor es mayor de 0 y especialmente si sobrepasa .1, entonces no convergi correctamente la solucin, al hallarse el modelo especificado de una forma inadecuada. Por lo tanto, conviene revisar el mismo en base a la variable manifiesta con un valor mayor de 0. XI.5.2 Significacin de los parmetros finales El modelo tendr tanto grados de libertad como parmetros le especifiquemos. Normalmente, sern los determinantes factores por cada variable manifiesta endgena, la varianza de los residuos y las correlaciones entre los factores. Con menos regularidad, tambin nos podemos encontrar con las correlaciones entre variables residuales o errores, las varianzas, correlaciones y coeficientes de determinacin de variables manifiestas exgenas y los interceptos o constantes que determinan a las variables manifiestas endgenas. En la pantalla de resultados de estimaciones del modelo (model estimate) aparecen los valores de estos parmetros. Al emplear datos de correlacin o estandarizados, los parmetros de los determinantes factores, correlaciones y varianzas residuales oscilan de 0 a 1. Cuanto ms prximo a 1, indica que es ms significativo y tiene ms peso. Por defecto, salvo que se indique en la pantalla de Analysis parameters lo contrario, al lado del parmetro aparece su error estndar. Al dividir el parmetro por su error estndar se obtiene aproximadamente el valor de estadstico de contraste T que se distribuye segn una t de Student. La probabilidad (p) asociada al estadstico de contraste nos informa si el parmetro final es estadsticamente nulo o no. Si p<.05, indica que es significativamente distinto de cero. Si p.05, se mantiene la hiptesis nula de valor 0. En caso de que el parmetro de uno de los componentes del modelo sea nulo, entonces tiene que ser reemplazado por una mejor estimacin (especialmente variables manifiestas), redefinido (variables latentes) o eliminado (correlaciones entre variables o residuos) para ver si mejora el ajuste del modelo. XI.6 ESTADSTICOS DE AJUSTE

Como estadsticos para contrastar el ajuste de los datos a un modelo terico el paquete estadstico STATISTICA 6 nos ofrece un total de 25: 8 estadsticos bsicos (el valor de la Funcin de Discrepancia, el coseno residual mximo, el gradiante absoluto mximo, el criterio de invariancia bajo un factor de escala constante, el criterio de invarianza bajo un factor de escala cambiante, el estadstico 2 de ajuste al modelo terico y el residuo estandarizado cuadrtico medio), 5 ndices de ajuste de no centralidad (el parmetro de no centralidad poblacional, la raz cuadrada de la media de los errores de aproximacin de Steiger-Lind (1980), los ndices gamma poblacional y gamma ajustado y el ndice de no centralidad de McDonald (1989)) y 12 ndices de bondad de ajuste para una muestra simple (el ndice general de ajuste y el ndice ajustado de Jreskog (1978), los criterios de informacin Akaike (1987) y bayesiano de Schwarz (1978), la 2 para un modelo de independencia, el ndice de validacin cruzada de BrowneCudeck (1989), el ndice de ajuste parsimonioso de James-Mulaik-Brett (1982), los ndices de ajuste normado y no normalizado de Bentler-Bonet (1980), ndice de ajuste comparativo de Bentler (1985) y los coeficientes Rho y Delta de Bollen (1989)). Naturalmente, cuando se contrasten dos o ms muestras este ltimo grupo de 18 ndices no se puede calcular. El reporte de ndices depende del mtodo empleado para definir la funcin de discrepancia. Por el mtodo de Mxima verosimilitud (ML) y GLS-ML se obtienen todos los ndices. El mtodo de Mnimos cuadrados ordinarios o no ponderados (OLS) es el ms pobre en ndices. En la tabla 1, se muestran la distribucin de ndices por mtodo y en la primera columna (Sig.) el cumbral de significacin de cada ndice. Cuando se pone una flecha hacia abajo () indica que cuanto menor o ms prximo a 0 mejor. Tabla 1. - Nivel de significacin de los estadsticos y estadsticos calculados en relacin con el mtodo de estimacin de la funcin de discrepancia. Significacin ML GLS Estadsticos bsicos Discrepancy Function Maximum Residual Cosine Maximum Absolute Gradient 0 0 X X X X X X X X X X X X X X X X X X GLSML OLS ADFU ADFG

17
ICSF Criterion ICS Criterion Chi-Square p-level Chi-Square /Degrees of Freedom RMS Standardized Residual Population Noncentrality Parameter Steiger-Lind RMSEA Index McDonald Noncentrality Index Population Gamma Index Adjusted Population Gamma Index Joreskog GFI Joreskog AGFI Akaike Information Criterion Schwarz's Bayesian Criterion Browne-Cudeck Cross Validation Index Independence Model Chi-Square Independence Model df Bentler-Bonett Normed Fit Index Bentler-Bonett Non-Normed Fit Index Bentler Comparative Fit Index James-Mulaik-Brett Parsimonious Fit Index Bollen's Rho Bollen's Delta XI.6.1 Estadsticos bsicos El coseno residual mximo (Maximum Residual Cosine), el gradiante absoluto mximo (Maximum Absolute Gradient), el criterio de invariancia bajo un factor de escala constante (ICSF Criterion), el criterio de invarianza bajo un factor de escala cambiante (ICS Criterion) son criterios contemplados en el proceso iterativo y cuando la solucin converge son nulos (p<.000). Salvo que la solucin haya tenido problemas para convergen, stos valdrn 0. Valor de la Funcin de Discrepancia (Discrepancy Function Value). Nos informa de la discrepancia entre los parmetros estimados desde los datos y los propuestos por el modelo. Cuanto menor sea su valor, refleja menor discrepancia y mejor ajuste. Su valor mnimo es 0, pero no tiene un lmite superior. Se considera que valores menores a 1 indican buen ajuste. El estadstico 2 de ajuste al modelo terico (Chi-Square). Es muy frecuentemente referido, pero es muy sensible al tamao de la muestra, incrementndose en la medida que sta crece, cuando precisamente es un requisito de AFC tamaos grandes de muestra. En la mayora de los casos, la chi-cuadrada suele salir significativa (p<.05), es decir, se rechaza la hiptesis nula de ajuste entre los datos observados y el modelo propuesto. No obstante, su valor reside como un ndice de comparacin de ajuste entre modelos. Para tal fin se divide entre sus grados de libertad (Chi-Square /Degrees of Freedom). Cuanto menor sea su valor, indica un mejor ajuste, preferentemente con valores prximos o menores a 1. Entre modelos competitivos el que tenga menos cociente es el que presenta mejor ajuste. Breckler (1990) seala que el dividir el estadstico 2 por sus grados de libertad es una forma de corregir el efecto del tamao de la muestra. Raz cuadrada de la media de los residuos estandarizados al cuadrado (Root Mean Square Standard Residual) (RMS SR). A este ndice de ajuste tambin se le denomina Residuo estandarizado cuadrtico medio. Es una medida de discrepancia en base a la varianza de los residuos. Refleja muy p.5 <.10 <.10 >.90 >.90 >.90 >.90 >.90 X X >.90 >.90 >.90 >.90 >.90 >.90 0 0 X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X

Estadsticos basados en la No Centralidad

ndices de ajuste de una muestra simple

18
buen ajuste con valores por debajo de .05, aceptable entre .05 y .075, mediocre entre .075 y .099 y malo por encima de .01. Se le considera como uno de los estadsticos ms aptos para muestras grandes. XI.6.2 ndices de ajuste de no centralidad Nacen de la necesidad de evaluar la potencia de la prueba 2 a la hora de mantener la hiptesis nula de ajuste y la dificultad para realizar este clculo que se basa en un procedimiento algo arbitrario. Steiger y Lind (1980) proponen como un enfoque alternativo y en realidad ms directo para evaluar la precisin del ndice de ajuste que sera construir intervalos de confianza sobre parmetros de no centralidad poblacional. As, estos ndices ofrecen una estimacin puntual y otra con un intervalo de confianza del 90%. Parmetro de no centralidad poblacional (Population Noncentrality Parameter). Ofrece algunas virtudes como medida de maldad de ajuste. Primero, es una suma ponderada de discrepancias entre los parmetros observados y los pronosticados por el modelo o suma ponderada de residuos. Segundo, en comparacin con el criterio de informacin de Akaike est menos afectado por el tamao de la muestra. Sin embargo, existen dos problemas con el uso de ndices de no centralidad poblacional como un ndice de maldad de ajuste poblacional. Primero, el ndice no vuelve a la mtrica de los parmetros estandarizados originales, a causa de la forma cuadrtica de los residuos ponderados; para volver a la mtrica original, se requerira una raz cuadrada. Segundo, falla para compensar la complejidad del modelo. A mayor complejidad y tamao de la muestra, mejor ajuste. Un mtodo para evaluar el ajuste poblacional que falla en compensar la complejidad inevitablemente conducir a la eleccin de modelos ms complejos, incluso cuando los modelos ms simples se aproximan mejor a los datos. A su vez, al incrementar el tamao muestral, con el mismo modelo, se mejora el ajuste. Raz cuadrada de la media de los errores de aproximacin de Steiger-Lind (Steiger-Lind Root Mean Square of Error of Approximation) (RMS EA). Tambin se le denomina Error cuadrtico medio de aproximacin. Fue propuesto por Steiger y Lind en 1980 y toma un enfoque muy sencillo para resolver los dos problemas planteados por el Parmetro de no centralidad poblacional. Ya que la complejidad del modelo se refleja en el nmero de parmetros libres e inversamente en el nmero de grados de libertad, el ndice de no centralidad se divide por los grados de libertad. A continuacin se calcula la raz cuadrada para devolver el ndice a la misma mtrica que los parmetros originales estandarizados. As, se puede interpretar como la raz cuadrada de la media al cuadrado de los residuos. Valores menores a .05 se consideran muy buenos, entre .05 y .075 aceptables, entre .075 y .099 mediocres y malos a partir de .10. ndice gamma poblacional (Population Gamma Index). Se puede considerar como un coeficiente de determinacin poblacional ponderado para un modelo multivariado. As, se le considera el equivalente poblacional del ndice de Bondad de Ajuste de Jreskog-Srbom. No obstante, falla en compensar el efecto de la complejidad del modelo. Por lo cual, para una secuencia de modelos de complejidad creciente, arrojar mejores ndices de ajuste los ms complejos. Se calcula por la siguiente frmula de Steiger (1989): 1= p / (2.PNP + p), donde PNP es el Parmetro de No centralidad Poblacional y p el nmero de variables manifiestas. Se considera significativo a partir de valores de .90. ndice gamma poblacional ajustado (Adjusted Population Gamma Index). Intenta compensar el efecto de la complejidad. Hay una correccin por los grados de libertad o tamao de la muestra sobre el anterior y es significativo con valores mayores a .90. Se puede calcular por la siguiente frmula 2 = 1 (p*/v) (1- 1), siendo p*=p(p+1)/2, donde p es el nmero de variables manifiestas, v los grados de libertad para el modelo y 1 el ndice Gamma Poblacional. ndice de no centralidad de McDonald (McDonalds Index of Noncentrality). Fue propuesto en 1989. El ndice representa una frmula matemtica para transformar el Parmetro de no centralidad poblacional (PNP) a una escala que vara de 0 a 1. No compensa completamente la parsimonia del modelo. As, cuanto ms complejo sea el modelo, mejor ser el ajuste. Se calcula por la siguiente frmula: e (-INP/2). Indica buen ajuste con valores mayores a .90.

XI.6.3 ndices de bondad de ajuste para una muestra simple ndice general de ajuste de Joreskog (General Fit Index) (GFI). Valores mayores a .95 indican buen ajuste y entre .95 y .90 aceptable. Este ndice es una estimacin negativamente sesgada del ndice General de Ajuste Poblacional, es decir, tiende hacia valores bajos, as nos ofrece una imagen

19
ligeramente pesimista de la calidad del ajuste a nivel paramtrico o poblacional. Al igual que el ndice 2 es comnmente reportado, aunque es superior como estimacin el ndice Gamma Poblacional. ndice general de ajuste corregido de Joreskog (Adjusted General Fit Index) (AGFI). Hay un ajuste en base a los grados de libertad o tamao de la muestra. Es significativo de ajuste con valores mayores a .90. A pesar del ajuste, sigue siendo una estimacin negativamente sesgada del ajuste poblacional y se prefiere el ndice Gamma Poblacional Ajustado. Criterio de informacin Akaike (Akaike Information Criterion). Es til principalmente para decidir cul entre varios modelos competitivos, ordenados por complejidad o correcciones sucesivas, ofrecen la mejor aproximacin a los datos. Al igual que el cociente entre chi-cuadrada y sus grados de libertad, se tomar aquel modelo que muestra el valor ms bajo en el criterio Akaike. As, cuanto menor sea su valor, mejor. El criterio se define para un modelo k: Ak=FML,K + (2 Vk / N+1), donde Vk son los grados de libertad del modelo, FML,K la funcin de discrepancia de mxima verosimilitud para el modelo y N el tamao de la muestra. Criterio bayesiano de Schwarz (Scwarzs Bayesian Criterion). Este criterio, como el de Akaike, se emplea para elegir entre varios modelos en una secuencia de distinto nmero de factores y relaciones entre ellos. Se escoger el modelo que presente el ndice ms bajo. Igualmente, cuanto menor sea su valor, mejor. El criterio para un modelo k se define como: Sk=FML,K + [VkLn(N) / N-1], donde Vk son los grados de libertad del modelo, FML,k la funcin de discrepancia de mxima verosimilitud, Vk son los grados de libertad del modelo, Ln el logaritmo neperiano y N el tamao de la muestra. ndice de validacin cruzada de Browne-Cudeck (Browne-Cudeck Cross Validation Index). Browne y Cudeck (1989) propusieron un ndice de validacin cruzada para decidir cual modelo escoger entre un conjunto de modelos competitivos. El ndice original propuesto es parar comparar pares de muestras, una muestra donde se estima el modelo y otra independiente donde se valida. La frmula del ndice sera la siguiente: Ck=FML[Sv, k()] donde F es la funcin de discrepancia de mxima verosimilitud, S es la matriz de varianzas-covarianzas sobre la muestra de validacin y k() es la matriz de varianzas-covarianzas en la muestra de definicin del modelo. Cuanto menor sea su valor, indica mejor ajuste. Sin embargo, posteriormente se ha introducido una modificacin en el ndice que lo hace aplicable a una muestra simple, no requiriendo una segunda muestra de validacin. As, el ndice queda definido como: Ck=FML[Sv, k()] + 2 fk/(n-p2) donde N es el tamao de la muestra, p el nmero de variables manifiestas y fk el nmero de parmetros libres para el modelo. 2 para un modelo de independencia (Independence Model Chi-square). La hiptesis nula manejada por el estadstico de contraste es que las covariaciones o correlaciones poblacionales son nulas. Lo cual implica que todas las variables son independientes. As, el modelo de independencia se emplea como modelo nulo. Si estadstico toma un valor grande y la p asociada es menor a .05, entonces indica que el modelo propuesto presenta mejor ajuste que un modelo de variables manifiestas independientes sin factores. Tiene poco valor informativo y normalmente es significativo, indicando que el modelo factorial se ajusta mejor a los datos que un modelo de variables manifiestas independientes. ndice de ajuste normado de Bentler-Bonett (Bentler-Bonett Normed Fit Index). Es uno de los ndices originales y uno de los ms importantes desarrollado por Bentler y Bonnet en 1980. El ndice de Bentler-Bonett mide el decremento relativo en la funcin de discrepancia causados por el cambio de un modelo nulo o modelo de base a un modelo ms complejo. Se define por la siguiente frmula: Bk=(F0-Fk)/F0, donde F0 donde la funcin de discrepancia para el modelo nulo y Fk la funcin de discrepancia para el modelo de k factores. Este ndice se aproxima a uno, cuando el ajuste es perfecto. Indica un ajuste aceptable con valores de .90. No obstante, da valores pobres para modelos parsimoniosos, comportndose mejor con modelos complejos. ndice de ajuste no normado de Bentler-Bonett (Bentler-Bonett Non-Normed Fit Index). Este ndice comparativo tiene en cuenta un modelo parsimonioso. Se calcula con la siguiente frmula: BBNk= [(02/V0) (k2/vk)] / [(02/v0) - 1], donde 02 es la chi-cuadrada para el modelo nulo, k2 es la chicuadrado para el modelo de k factores, V0 los grados de libertad para el modelo nulo y vk los grados de libertad para el modelo de k factores. Se aproxima a uno, cuando el ajuste es perfecto. Indica un ajuste aceptable con valores de .90. ndice de ajuste comparativo de Bentler (Bentler Comparative Fit Index) (CFI). Este ndice comparativo estima el decremento relativo en poblacin obtenido al cambiar de un modelo nulo a un

20
modelo de k dimensiones. El ndice puede ser calculado con la siguiente frmula: 1 ( hatk/ hat0), donde hatk es un parmetro de no centralidad estimado para el modelo con k factores y hat0 es el parmetro de no centralidad estimado para el modelo sin ningn factor. Es significativo con valores mayores a .80. ndice de ajuste parsimonioso de James-Mulaik-Brett (James-Mulaik-Brett Parsimonious Fit Index). Este ndice fue uno de los ms tempranos junto al de Steiger-Lind para compensar un modelo parsimonioso. Bsicamente opera reescalando el ndice de ajuste normado de Bentler-Bonnet para compensar el modelo parsimonioso. La frmula del ndice es la siguiente: k=vk/v0)Bk, donde v0 son los grados de libertad del modelo nulo, vk los grados de libertad del modelo de orden k y Bk el ndice de ajuste normado de Bentler. Valores mayores a .90 son significativos. Rho de Bollen (Bollens Rho). Este ndice de ajuste comparativo calcula la reduccin relativa en la funcin de discrepancia por grados de libertad cuando se pasa del modelo nulo al modelo de k factores. Se calcula con la siguiente frmula: k = [(F0/v0) (Fk/vk)] / (F0/v0), donde F0 es la funcin de discrepancia para el modelo nulo, Fk es la funcin de discrepancia para el modelo de k factores, v0 los grados de libertad para el modelo nulo y vk los grados de libertad para el modelo de k factores. La Rho indica un ajuste aceptable con valores mayores a .90. Delta de Bollen (Bollens Delta). Este ndice es similar en forma al ndice de Bentler-Bonnet, pero favorece a los modelos ms simples (con menos grados de libertad). Se calcula con la siguiente frmula: k = (F0-Fk) / (F0-vk/N), donde F0 es la funcin de discrepancia para el modelo nulo, Fk la funcin de discrepancia para el modelo de k factores y vk los grados de libertad para el modelo de k factores. La Delta indica un ajuste aceptable con valores mayores a .90. EVALUACIN DEL AJUSTE A TRAVS DE LAS CORRELACIONES RESIDUALES

XI.7

Otra forma de evaluar el ajuste del modelo final a los datos originales y alternativa a los ndices vistos es a travs del estudio de los residuos de la matriz original de correlaciones o diferencia entre la matriz original de correlaciones y la reproducida. A tal fin, ESTATISTICA 6 proporciona la matriz original de correlaciones (Input matrix), la matriz de correlaciones reproducida por el modelo (Reproduced matrix), la matriz de residuos o diferencia entre la matriz original y reproducida (Standarized residuals), la matriz de residuos normalizados (Normalizad residuals) y el grfico de probabilidad normal de los residuos (Normal probability plot). Podemos acceder a estas matrices y grfico, tras cargar los datos, definir el modelo en Analysis syntax y ejecutar el clculo, desde la pantalla maestra de resultados (Structural equation modeling results), activada la pestaa de residuos (Residuals). Pantalla que podemos ver en la figura de abajo. :

As, tenemos que los residuos se obtienen de la diferencia entre la matriz original y la reproducida y stos aparecen en la denominada matriz de residuos estandarizados. La mayora de los residuos deberan ser menores a .05. As, otra forma de evaluar el ajuste del modelo es contar los residuos mayores a .05 por debajo de la diagonal principal de la matriz de correlaciones residuales (Standarized residuals). Dividimos el nmero de correlaciones residuales mayores a .05 por p(p-1)/2 y multiplicamos dicha diferencia por 100, siendo p el nmero de variables correlacionadas. Si el porcentaje es mayor al 10%, la reproduccin de la matriz es deficiente. Para normalizar los residuos, stos se expresan en una escala normal de media 0 y desviacin estndar 1, restando la media residual total y dividiendo la diferencia por la desviacin estndar residual total. De este modo, podemos reconocer ms fcilmente

21
cules son los residuos ms desviados, que son aqullos con valores menores a -1 y mayores a +1 y especialmente aqullos con valores menores a -2 y mayores a +2. Datos especialmente relevantes para proponer modificaciones en el modelo en base a residuos muy altos. Igualmente que hicimos antes, con los valores normalizados de correlacin residual podemos evaluar el ajuste del modelo contando los valores mayores a +1 y menores a -1 que se hallan por debajo de la diagonal principal de la matriz de correlaciones residuales normalizadas (Normalizad residuals). A continuacin, dividimos el nmero de correlaciones residuales normalizados mayores a +1 y menores a -1 por p(p-1)/2 y multiplicamos dicha diferencia por 100. Si el porcentaje es mayor al 10%, la reproduccin de la matriz es deficiente. El grfico de probabilidad normal, representa en el eje de la X (ordenadas) los valores de correlacin normalizados observados y en el eje de la Y (abscisas) los valores de correlacin reproducidos normalizados. As, deberan describir una lnea ascendente de 45 grados entre los valores -3 a +3 de ambos ejes para reflejar un ajuste perfecto. En caso de describir una curva podra indicar dependencia entre los residuos. XI.8APLICACIN DEL AFC XI.8.1 Aplicacin del AFC en una sola muestra XI.8.1.1 Especificacin del modelo de 3 factores relacionados (3D) para la TAS-20 En este ejemplo pretendemos confirmar la estructura de tres factores relacionados de la 20-item Toronto Alexithymia Scale (TAS-20) (Bagby, Parker y Taylor, 1994). Ya sabemos, por lo visto en el apartado XI.2.1 (archivos de datos) que tras guardar un archivo de datos creado por SPSS (.sav) como (.por) lo podemos abrir perfectamente con STATISTICA 6. En la barra de men vamos a File. Al tocar con el cursor y presionar el botn derecho del ratn se despliega un men. Presionamos en Open y se abre una pantalla. Arriba en la ventana de (Buscar en) desplegamos el men y seleccionamos la unidad y carpeta donde se halla el archivo. Abajo en la ventana de Tipo de archivo, desplegamos el men y escogemos spss portable files. por. En la ventana del medio podemos ver los archivos portables dentro de la carpeta escogida. Al seleccionar con el ratn el que nos interesa, ste se activa en la ventana de abajo (Nombre del archivo). Presionamos en el botn de Abrir y el programa lo carga. Abierto el archivo de datos, vamos a la barra de men. Desplegamos el menu de Statistics, escogemos Advanced linear/Nonlinear models para desplegar un nuevo men donde seleccionamos Structured equation modeling. En la pantalla que emerge presionamos en el botn de Path wizard. Seleccionamos la opcin de Confirmatory factor analysis y presionamos al botn de OK. Acto seguido se abre la pantalla para definir el modelo. Etiquemos los tres variables latentes como factores y definimos las variables manifiestas endgenas que los componentes (DIS formado por I2, I4, I11, I12 e I17; DES por I1, I3, I6, I7, I9, I13 e I14; PEO por I5, I8, I10, I5, I16, I18, I19 e I20). Cambiamos el nombre de las variables residuales de Delta a Error. Dejamos la opcin por defecto de errores no correlacionamos. Seleccionamos la opcin de factores correlacionados y los definimos. Al presionar OK, nos devuelve a la pantalla de inicio, apareciendo el modelo en la ventana de analysis syntax con el siguiente programa: (DIS)-1->[I2] (DIS)-2->[I4] (DIS)-3->[I11] (DIS)-4->[I12] (DIS)-5->[I17] (DES)-6->[I1] (DES)-7->[I3] (DES)-8->[I6] (DES)-9->[I7] (DES)-10->[I9] (DES)-11->[I13] (DES)-12->[I14] (PEO)-13->[I5] (PEO)-14->[I8] (PEO)-15->[I10] (PEO)-16->[I15] (PEO)-17->[I16] (PEO)-18->[I18] (PEO)-19->[I19] (PEO)-20->[I20] (Error1)-->[I2] (Error2)-->[I4] (Error3)-->[I11] (Error4)-->[I12] (Error5)-->[I17] (Error6)-->[I1] (Error7)-->[I3] (Error8)-->[I6] (Error9)-->[I7] (Error10)-->[I9] (Error11)-->[I13] (Error12)-->[I14] (Error13)-->[I5] (Error14)-->[I8] (Error15)-->[I10] (Error16)-->[I15] (Error17)-->[I16] (Error18)-->[I18] (Error19)-->[I19] (Error20)-->[I20] (Error1)-21-(Error1) (DIS)-41-(DES) (Error2)-22-(Error2) (DIS)-42-(PEO) (Error3)-23-(Error3) (DES)-43-(PEO) (Error4)-24-(Error4) (Error5)-25-(Error5) (Error6)-26-(Error6) (Error7)-27-(Error7) (Error8)-28-(Error8) (Error9)-29-(Error9) (Error10)-30-(Error10) (Error11)-31-(Error11) (Error12)-32-(Error12) (Error13)-33-(Error13) (Error14)-34-(Error14) (Error15)-35-(Error15) (Error16)-36-(Error16) (Error17)-37-(Error17) (Error18)-38-(Error18) (Error19)-39-(Error19) (Error20)-40-(Error20)

En el programa de sintaxis, aparecen primero la definicin las variables latentes de los factores. El nmero natural que se halla entre la variable latente (DIS) y la variable manifiesta [I2] indica el nmero de parmetro libre a estimar. A continuacin, se definen las variables latentes de los errores. Cada error

22
determina a una variable manifiesta. Por ejemplo, (Error1)-->[I2]. No llevan nmero de parmetro ni valor de inicio para el parmetro, as que son valores fijos unitarios. Sigue la indicacin que para cada variable latente de error el programa tiene que estimar un parmetro de varianza (nmeros de parmetro del 21 al 40). Por ltimo, se introducen las correlaciones entre los factores (nmeros de parmetro del 41 al 43). As, es un modelo de 43 parmetros. No hemos especificado ningn valor de inicio en la iteracin para los parmetros libres, por lo que el programa pone por defecto el valor de .5. En caso que s los hubiramos especificado, entonces aparecen entre una llave tras el nmero del coeficiente (DES)-(1) {.5}-[I1.] Vamos a respetar todas las especificaciones que aparecen por defecto en la pantalla a la que se accede desde el botn de set parameters con la excepcin del tipo de datos para el anlisis que especificamos correlaciones y del mtodo para calcular la funcin de discrepancia que sealamos ADFU (estimador insesgado asintticamente libre de distribucin). Salimos de la pantalla presionando al botn de OK (accept parameters). Ahora presionamos el botn OK (run model) que ejecuta el programa. IX.8.1.2 Informacin sobre las iteraciones para el modelo 3D Como primera pantalla nos aparecen los resultados de las iteraciones. La solucin convergi sin ningn problema en la undcima iteracin. Tabla 2. - Iteraciones para el modelo 3D de la TAS-20 por el mtodo ADFU ITN 1 2 3 4 5 6 7 8 9 10 11 12 0 1 2 3 4 5 6 7 8 9 10 11 DISC 2.954062 1.276290 1.230135 1.228017 1.227632 1.227545 1.227523 1.227517 1.227515 1.227515 1.227515 1.227515 RCOS 0.402681 0.082787 0.018508 0.009481 0.004514 0.001920 0.001225 0.000488 0.000348 0.000141 0.000101 0.000041 LAMBDA 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 MAXCON 0.040070 0.036042 0.004988 0.000735 0.000065 0.000032 0.000006 0.000002 0.000000 0.000000 0.000000 0.000000 NRP 0 0 0 0 0 0 0 0 0 0 0 0 NRC 0 0 0 0 0 0 0 0 0 0 0 0 NAIC 0 0 0 0 0 0 0 0 0 0 0 0 StepLen 0.000000 0.101645 0.023806 0.007438 0.003183 0.001625 0.000775 0.000429 0.000211 0.000121 0.000061 0.000036

Itn. Nos indica el nmero de la iteracin en la secuencia iterativa que en nuestro ejemplo son 11, por debajo de la especificacin de 30. Discrepancy. El valor de la funcin de discrepancia que est siendo minimizada. La que aparece en la ltima iteracin es el valor de la funcin de discrepancia del modelo (1.227515). Un valor mayor a 1. Cuanto ms prximo a cero, mejor. RCos. Corresponde al criterio de coseno mximo residual. Vemos que el valor desciende en la medida que avanzan las iteraciones hasta un valor de .000041 en la duodcima iteracin, que est por debajo de la especificacin de .0001. Lambda. Es el valor del multiplicador por paso usado en cada iteracin. Un valor de 1 significa que el primer paso completo reduce la discrepancia de la funcin lo suficientemente para continuar con la siguiente iteracin. Un valor menor que 1 significa que el programa ha tenido que emplear una bsqueda de lnea en el vector de parmetros a fin de elegir la direccin del paso para hallar el parmetro donde la funcin de discrepancia se reduce. Valores de Lambda muy pequeos indican que la iteracin est teniendo problemas para progresar hacia la convergencia de la solucin. En nuestro ejemplo observamos que las 11 iteraciones avanzaron sin problema en el primer paso. En caso de problemas para encontrar la direccin o parmetro donde se minimiza la funcin de discrepancia se puede activar la opcin de iteraciones de descenso escarpado (Number of steepest descent iterations) en la pantalla de Analysis parameters. MAXCON. El valor mximo de cualquier funcin de constriccin. Este valor solamente ser nulo durante la estimacin constreida usada cuando se escoge la opcin New en estandarizacin, o cuando se parte

23
de la matriz de correlaciones como en nuestro caso. Si las iteraciones progresan satisfactoriamente, este valor deber descender progresivamente hasta alcanzar un valor prximo a 0. Precisamente, este avance descendente hacia un valor de 0 los observamos en nuestro ejemplo. NRP. Nmero de parmetros redundantes. Si algunos parmetros son redundantes con otros, el programa tiene la capacidad para detectarlo, indicando en esta columna su nmero en cada iteracin. Dato importante para la revisin del modelo. Nuestro modelo no posee ningn parmetro redundante ni al principio ni al final. NRC. Nmero de constricciones redundantes. Si algunos parmetros constreidos son redundantes, el programa es capaz de detectarlos y en esta columna nos indica su nmero en cada iteracin. Dato importante para la revisin del modelo. Nuestro modelo asume como valor inicial para los parmetros el que pone el programa por defecto que es .5 y el resultado muestra que no hubo una restriccin redundante. NAIC. Nmero de constricciones de desigualdad activadas o condiciones lmite. Durante cada iteracin, el programa mantiene ciertas constricciones de desigualdad sobre los parmetros para evitar que surjan valores imposibles. Por ejemplo, no se permite que aparezcan varianzas negativas. Si el programa detecta una varianza negativa, ajusta sta a cero en la siguiente iteracin y solamente minimiza la funcin de discrepancia en relacin a otros parmetros. As, en esta columna nos aparece el nmero de veces que el programa ha tenido que cambiar un parmetro de un valor imposible a un valor lmite. En nuestro caso no hubo tal necesidad, lo cual habla a favor de su robustez, ya que estos casos pueden reflejar debilidades e inconsistencia en los datos. StepLen. Extensin del paso iterativo actual completo. En esta columna aparece en valor relativo los parmetros cambiados del total de parmetros, siendo la extensin mxima permitida 1. Normalmente, se hacen ms cambios en los primeros pasos y muy pocos en los ltimos. Si aparece un asterisco junto al valor, indica que el paso se llev a cabo con el mximo de extensin permitida, es decir, en todos los parmetros. Si presionamos en el botn de OK en la pantalla de las iteraciones, nos aparece la pantalla maestra de los resultados (Structural equation modeling results). Desde la pestaa de Advanced tenemos 6 botones de resultados: resumen del modelo donde se hallan los parmetros estimados, estadsticos bsicos, ndices de no centralidad, ndices para una muestra simple y estadsticos del multiplicador de LaGrange.

IX.8.1.3 Parmetros finales del modelo 3D Al presionar en el botn de resumen del modelo (Model summary), obtenemos la tabla con los coeficientes estimados de los parmetros que en nuestro modelo eran 43. Tabla 3. - Parmetros finales del modelo 3D de la TAS-20 por el mtodo ADFU Parameter (DIS)-1->[I2] (DIS)-2->[I4] (DIS)-3->[I11] (DIS)-4->[I12] (DIS)-5->[I17] 0.882 0.859 0.619 0.820 0.706 Standard 0.015 0.023 0.029 0.021 0.024 T 60.727 38.039 21.349 39.475 29.014 Prob. 0.000 0.000 0.000 0.000 0.000

24
(DES)-6->[I1] (DES)-7->[I3] (DES)-8->[I6] (DES)-9->[I7] (DES)-10->[I9] (DES)-11->[I13] (DES)-12->[I14] (PEO)-13->[I5] (PEO)-14->[I8] (PEO)-15->[I10] (PEO)-16->[I15] (PEO)-17->[I16] (PEO)-18->[I18] (PEO)-19->[I19] (PEO)-20->[I20] (Error1)-21-(Error1) (Error2)-22-(Error2) (Error3)-23-(Error3) (Error4)-24-(Error4) (Error5)-25-(Error5) (Error6)-26-(Error6) (Error7)-27-(Error7) (Error8)-28-(Error8) (Error9)-29-(Error9) (Error10)-30-(Error10) (Error11)-31-(Error11) (Error12)-32-(Error12) (Error13)-33-(Error13) (Error14)-34-(Error14) (Error15)-35-(Error15) (Error16)-36-(Error16) (Error17)-37-(Error17) (Error18)-38-(Error18) (Error19)-39-(Error19) (Error20)-40-(Error20) (DES)-41-(DIS) (PEO)-42-(DIS) (PEO)-43-(DES) 0.686 0.340 0.628 0.552 0.729 0.773 0.690 0.527 0.342 0.439 0.377 0.572 0.486 0.633 0.399 0.223 0.262 0.617 0.327 0.502 0.530 0.884 0.606 0.695 0.469 0.402 0.524 0.722 0.883 0.807 0.858 0.673 0.764 0.599 0.841 0.889 0.513 0.566 0.021 0.038 0.032 0.033 0.023 0.020 0.025 0.056 0.043 0.076 0.042 0.036 0.050 0.035 0.039 0.026 0.039 0.036 0.034 0.034 0.029 0.026 0.040 0.036 0.033 0.031 0.034 0.059 0.029 0.067 0.032 0.041 0.048 0.044 0.031 0.021 0.033 0.039 32.362 9.072 19.545 16.817 31.977 38.585 27.848 9.478 7.967 5.763 8.993 16.080 9.767 18.057 10.242 8.708 6.758 17.217 9.592 14.634 18.238 34.622 15.031 19.186 14.116 12.964 15.348 12.315 30.113 12.051 27.079 16.519 15.815 13.489 26.997 41.600 15.431 14.621 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Parameter. Son los parmetros estimados para el modelo, un total de 43 parmetros, 20 para los determinantes factoriales sobre las variables manifiestas endgenas, 20 para las varianzas de los residuos y 3 para las correlaciones de los factores. La cuanta del parmetro nos indica la importancia o peso del elemento. Standar. Es el error estndar del parmetro. A menor error estndar, ms preciso es el valor del parmetro. Si al restar el error estndar al parmetro nos resulta un valor negativo, entonces el parmetro no es significativamente distinto de 0.

25
T Estadstico de contraste t de Student para contrastar la hiptesis nula de que el valor del parmetro es cero, es decir, no es significativo para el modelo. Se obtiene aproximadamente al dividir al parmetro por su error estndar. Prob. Es la probabilidad que corresponde al valor de T dentro de la distribucin t de Student. Probabilidades menores a .05 nos permiten rechazar la hiptesis nula de valor nulo del parmetro. En nuestro modelo los parmetros del factor comn y del factor nico son significativos en cada elemento, as como los parmetros de las correlaciones entre los tres factores. XI.8.1.4 Estadsticos bsicos para el modelo 3D Si minimizamos esta pantalla o la cerramos volvemos a la pantalla maestra de resultados (Structural equation modeling results) con la pestaa de Advanced activada y ahora podemos acceder a los estadsticos bsicos, presionando en el botn de Basic summary statistics. Tabla 4. - Estadsticos bsicos para el modelo 3D de la TAS-20 por el mtodo ADFU Value Discrepancy Function Maximum Residual Cosine Maximum Absolute Gradient ICSF Criterion ICS Criterion ADFU Chi-Square Negrees of Freedom p-level RMS Standardized Residual Como estadsticos bsicos tenemos: El valor de la funcin de discrepancia (Discrepancy Function) que es prximo a 1. Cuanto menor, mejor e idealmente prximo a 0. Coseno residual mximo (Maximum Residual Cosine) que se ajusta a las especificaciones de menor a .0001. Gradiante absoluto mximo (Maximum Absolute Gradient). El gradiante absoluto mximo nos da en valor absoluto el gradiente ms alto por elemento al final del proceso iterativo, es decir, el potencial incremento de mejora en el proceso de minimizacin de los residuos o ajuste del modelo a nivel de elemento en la ltima iteracin. Su valor es nulo, por lo que no haba mejora posible. ICSF criterion. Este criterio debera ser prximo a 0 si el modelo estructural es invariante bajo un factor de escala constante (Invariant under constant scaling factor, ICSF). La mayora de los modelos, pero no todos, son invariantes bajo este tipo factor, como es nuestro caso. ICS Criterion. Este criterio tambin debe estar prximo a 0, si el modelo estructural es invariante bajo un factor con cambios de escala (Invariant under changing scaling factor, ICS). Cuando el anlisis se realiza desde la matriz de correlaciones o con datos estandarizados este ndice sale nulo como vemos en nuestro caso. ADFU Chi-Square. Disponible para todos los mtodos de estimacin de la funcin de discrepancia, excepto OLS. Como nuestro mtodo fue ADFU, de ah que aparezca como palabra precedente a ChiSquare. Si hubiese sido Mxima verosimilitud, entonces aparecera ML. Este estadstico tiene una distribucin asinttica que se ajusta a una Chi-cuadrada. Como hiptesis nula plantea la discrepancia cero entre el modelo terico y el modelo observado. En nuestro ejemplo su valor fue de 466.456. Degrees of Freedom. Los grados de libertad corresponden al estadstico ADFU Chi-Square. En nuestro ejemplo son 167. p-level. Es el nivel de probabilidad del estadstico de contraste ADFU Chi-Square con 167 grados de libertad dentro de la distribucin chi-cuadrada. Con una p<.05 se rechaza la hiptesis nula de ajuste. En nuestro ejemplo se rechaza la hiptesis nula de ajuste (p<.000). No obstante, aqu nos interesa un 1.228 0.000 0.000 -0.000 0.000 466.456 167.000 0.000 0.119

26
cociente bajo entre ADFU Chi-Square y sus grados de libertad (466.456 / 167= 2.793), especialmente en comparacin con modelos competitivos. Slo en modelo con pocos parmetros y con un tamao de muestra pequeo resulta no significativo. RMS Standardized Residual. Esta raz cuadrada de los residuos estandarizados es una desviacin estndar de los residuos. Es ms conocido por residuo estandarizado cuadrtico medio y se abrevia como RMS SR. Su valor es alto .119. Debera ser menor o igual a .05 y no mayor de .10. XI.8.1.5 Estadsticos de no centralidad para el modelo 3D Si volvemos a la pantalla maestra de resultados (Structural equation modeling results) con la pestaa de Advanced activada, podemos presionar con el ratn en el botn de estadsticos de ajuste de no centralidad (Noncentrality-based indices). Tabla 5. - Estadsticos de no centralidad para el modelo 3D de la TAS-20 por el mtodo ADFU Lower 90% Population Noncentrality Parameter Steiger-Lind RMSEA Index McDonald Noncentrality Index 0.629 0.061 0.616 Point 0.788 0.069 0.674 Upper 90% 0.968 0.076 0.730

Como hemos empleado el mtodo ADFU, slo tenemos 3 estadsticos, faltando los ndices gamma poblacional (PGI) y gamma ajustado (APGI). La presentacin de los ndices de no centralidad toma dos formas: puntual y en intervalo con un margen de confianza del 90%. El parmetro de no centralidad (PNP), cuanto ms pequeo o prximo a 0, mejor. El ndice de la raz cuadrada de la media de los errores de ajuste de Steiger-Lind o mejor conocido como error cuadrtico de aproximacin (RMS EA) que deber ser menor o igual a .05 y no mayor a .10. El ndice de no centralidad de ajuste de McDonald cuanto ms prximo a 1 mejor y es aceptable con valores de .90. As, los dos primeros ndices seran aceptables, con una estimacin puntual de .788 para el parmetro de no centralidad poblacional y .069 para el como error cuadrtico de aproximacin. No obstante, el ndice de no centralidad de McDonald con una estimacin puntual de .674 result bajo. Al ser un modelo sencillo el ndice de McDonald tiende a dar valores bajos, es decir, a infravalorar el modelo. XI.8.1.6 Estadsticos de ajuste de una sola muestra para el modelo 3D De regreso a la pantalla maestra de resultados (Structural equation modeling results), podemos presionar con el cursor en el botn de estadsticos de ajuste para una sola muestra (Other single simple indices). Tabla 6. - Estadsticos de ajuste para una sola muestra para el modelo 3D de la TAS-20 por ADFU Value Joreskog GFI Joreskog AGFI Akaike Information Criterion Schwarz's Bayesian Criterion Browne-Cudeck Cross Validation Index 0.894 0.867 1.454 1.900 1.467

Obtenemos 5, el ndice de bondad de ajuste de Joreskog (.894), el ndice de bondad de ajuste corregido de Joreskog (.867), el criterio de informacin de Akaike (1.454), el criterio bayesiano de Schwarz (1.9) y el ndice de validacin cruzada de Browne-Cudeck (1.467). Los ndices de Joreskog debera ser mayores a .90 y los otros tres criterios cuanto ms bajos mejor, especialmente en comparacin con otros modelos competitivos. As, el ajuste es ms bien pobre. Por otros mtodos de estimacin de la funcin de discrepancia, como ML, podemos obtener siete ndices adicionales: La chi-cuadra para un modelo de variables manifiestas independientes o sin factores comunes que deber ser significativa (p<.05), los ndices de Bentler (normado, no normado y comparativo), el ndice de ajuste parsimonioso de James-Mulaik-Brett, la Rho y la Delta de Bollen que deben ser mayores a .90.

27
XI.8.1.7 Estadsticos del multiplicador de LaGrange para el modelo 3D Desde la pantalla maestra de resultados (Structural equation modeling results) en la pestaa de Advanced tambin tenemos el botn de estadsticos del multiplicador de Lagrange (LaGrange multiplier statistics). Tabla 7. - Estadsticos del multiplicador de LaGrange para el modelo 3D de la TAS-20 por ADFU Variante I1 I2 I3 I4 I5 I6 I7 I8 I9 I10 I11 I12 I13 I14 I15 I16 I17 I18 I19 I20 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 LaGrange 0.000 -0.000 -0.000 -0.000 -0.000 0.000 -0.000 0.000 0.000 -0.000 -0.000 0.000 -0.000 -0.000 0.000 0.000 0.000 -0.000 -0.000 -0.000 Standard -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000 -0.000

Los estadsticos del multiplicador de LaGrange para datos correlacionales tienen una varianza de 1 y sus valores deben de ser prximos a cero. Resultado que observamos en nuestro ejemplo, indicando que las restricciones respecto a las variables manifiestas endgenas eran adecuadas. XI.8.1.8 Contraste de supuestos (normalidad multivariada a travs de la simetra y la kurtosis) para el modelo 3D En la pantalla maestra de resultados (Structural equation modeling results), podemos presionar en la pestaa de Assumptions para ver si las variables a nivel individual como en combinacin lineal por pares (multivariada) cumplen caractersticas de simetra y perfil mesocrtico, caractersticas propias de una distribucin normal. Adems, tenemos el botn de Reflector matrix (matriz reflectora) que nos proporciona una matriz que es de gran de utilidad como base de datos para analizar las propiedades de invarianza del modelo. La frmula de clculo de la matriz reflectora depende del mtodo de estimacin de la funcin de discrepancia.

28

En la tabla 8, vemos que ningn elemento se puede considerar simtrico y slo dos mesocrticos (I6 e I17). A su vez, se puede rechazar un perfil mesocrtico a nivel multivariado por una kappa de Mardia de .238 (>.10), as como una kurtosis multivariada de 34.424 y una kurtosis univariada corregida en una escala de medias de .425, demasiado altas (ver tabla 9). De ah que se opt por el mtodo del Estimador insesgado asinttico libre de distribucin (Asymptotically Distribution Free Unbiased,) (ADFU). Tabla 8. - Simetra y kurtosis univariada para el modelo 3D de la TAS-20 por el mtodo ADFU Skewness I1 I2 I3 I4 I5 I6 I7 I8 I9 I10 I11 I12 I13 I14 I15 I16 I17 I18 I19 I20 0.258 0.437 2.091 0.829 1.642 0.741 1.397 0.747 0.865 1.688 0.741 0.809 1.332 1.118 1.222 1.134 0.943 1.612 2.243 1.181 Corrected 0.259 0.439 2.100 0.832 1.648 0.744 1.402 0.750 0.869 1.694 0.744 0.812 1.337 1.123 1.227 1.139 0.946 1.619 2.252 1.185 Normalizad 2.053 3.482 16.665 6.606 13.081 5.906 11.130 5.949 6.895 13.448 5.904 6.446 10.611 8.911 9.736 9.040 7.511 12.847 17.875 9.408 Kurtosis -1.034 -0.983 4.464 -0.184 3.228 -0.477 1.761 -0.618 -0.063 3.158 -0.637 -0.568 1.125 0.308 1.206 0.749 -0.326 3.103 7.340 0.644 Corrected -1.032 -0.980 4.539 -0.170 3.286 -0.468 1.800 -0.611 -0.048 3.215 -0.630 -0.560 1.155 0.328 1.238 0.775 -0.314 3.161 7.454 0.669 Normalized -4.119 -3.916 17.785 -0.732 12.860 -1.902 7.015 -2.464 -0.249 12.581 -2.539 -2.264 4.481 1.226 4.804 2.986 -1.299 12.365 29.247 2.566

Tabla 9. - Kurtosis multivariada para el modelo 3D de la TAS-20 por el mtodo ADFU Value Mardia Coefficient of Multivariate Kurtosis 104.635 Normalized Multivariate Kurtosis Mardia-Based Kappa Mean Scaled Univariate Kurtosis Relative Multivariate Kurtosis 34.424 0.238 0.380 1.238

Adjusted Mean Scaled Univariate Kurtosis 0.425

29
XI.8.1.9Residuos o diferencia entre la matriz de correlacin inicial y la estimada para el modelo 3D Nuevamente, en la pantalla maestra de resultados (Structural equation modeling results), activamos la pestaa de residuos (Residuals) y obtenemos la matriz de correlacin original (Input matrix), la matriz de correlacin reproducida (Reproduced matrix), la matriz de residuos (Standarized matrix), la matriz de residuos normalizados (Normalized matrix) y el grfico de probabilidad normal (Normal probability plot). En la tabla 10 tenemos la matriz de correlaciones residuales que nos permite evaluar el ajuste del modelo. Contamos slo los residuos por debajo de la diagonal principal mayores a .05 y obtenemos un nmero alto de 85, lo cual representa un 44% de los posibles casos (85/190 x 100). Muy alejado del 10% ideal. El mismo resultado (44%) se obtiene desde la matriz de correlaciones residuales estandarizadas. As que el modelo reproduce pobremente la matriz de correlacin inicial. Tabla 10- Matriz de correlaciones residuales (Standarized residuals)
I1 I2 I3 I4 I5 I6 I7 I8 I9 I10 I11 I12 I13 I14 I15 I16 I17 I18 I19 I20 I1 0.08 0.01 -0.01 -0.19 -0.09 -0.05 -0.01 0.00 -0.01 -0.10 -0.09 -0.12 0.01 -0.01 -0.02 -0.05 -0.08 -0.06 -0.10 -0.04 I2 0.01 0.09 -0.06 -0.15 -0.18 -0.08 -0.04 -0.01 0.00 -0.11 -0.05 -0.14 -0.09 -0.14 0.04 -0.06 -0.10 -0.09 -0.03 -0.09 I3 -0.01 -0.06 0.41 -0.18 0.06 0.00 0.15 -0.01 0.01 0.07 -0.09 -0.05 -0.01 0.11 0.06 0.04 -0.05 -0.05 0.05 -0.03 I4 -0.19 -0.15 -0.18 0.07 -0.03 -0.21 -0.15 -0.13 -0.19 -0.04 -0.12 -0.17 -0.16 -0.21 0.03 -0.12 -0.11 -0.07 -0.04 -0.17 I5 -0.09 -0.18 0.06 -0.03 0.50 -0.11 -0.05 -0.03 -0.05 0.13 -0.09 -0.04 -0.10 -0.01 -0.05 -0.07 -0.15 -0.05 -0.01 0.02 I6 -0.05 -0.08 0.00 -0.21 -0.11 0.12 0.15 0.00 -0.04 -0.15 -0.00 -0.12 -0.01 0.07 0.04 -0.01 -0.01 -0.01 -0.04 -0.02 I7 -0.01 -0.04 0.15 -0.15 -0.05 0.15 0.37 -0.03 -0.01 -0.08 -0.03 -0.08 0.02 0.10 0.07 -0.00 -0.08 -0.05 -0.03 -0.02 I8 0.00 -0.01 -0.01 -0.13 -0.03 0.00 -0.03 0.19 0.01 -0.10 0.05 0.04 -0.06 0.01 -0.04 -0.01 0.09 -0.10 -0.09 0.10 I9 -0.01 0.00 0.01 -0.19 -0.05 -0.04 -0.01 0.01 0.22 -0.01 -0.04 -0.12 0.06 -0.02 -0.07 -0.09 -0.04 -0.06 -0.12 0.00 I10 -0.10 -0.11 0.07 -0.04 0.13 -0.15 -0.08 -0.10 -0.01 0.68 -0.15 -0.06 -0.13 -0.04 0.04 -0.08 -0.13 0.01 0.03 0.05 I11 -0.09 -0.05 -0.09 -0.12 -0.09 -0.00 -0.03 0.05 -0.04 -0.15 0.06 -0.02 -0.07 -0.11 0.04 -0.05 0.08 -0.02 -0.03 -0.09 I12 -0.12 -0.14 -0.05 -0.17 -0.04 -0.12 -0.08 0.04 -0.12 -0.06 -0.02 0.15 -0.05 -0.06 0.02 -0.07 -0.06 -0.09 -0.05 -0.02 I13 0.01 -0.09 -0.01 -0.16 -0.10 -0.01 0.02 -0.06 0.06 -0.13 -0.07 -0.05 0.25 0.06 -0.02 -0.08 0.03 -0.06 -0.12 -0.05 I14 -0.01 -0.14 0.11 -0.21 -0.01 0.07 0.10 0.01 -0.02 -0.04 -0.11 -0.06 0.06 0.24 0.00 -0.01 -0.05 -0.06 -0.03 0.06 I15 -0.02 0.04 0.06 0.03 -0.05 0.04 0.07 -0.04 -0.07 0.04 0.04 0.02 -0.02 0.00 0.19 0.10 0.13 0.02 0.02 -0.04 I16 -0.05 -0.06 0.04 -0.12 -0.07 -0.01 -0.00 -0.01 -0.09 -0.08 -0.05 -0.07 -0.08 -0.01 0.10 0.24 -0.07 -0.10 -0.11 0.07 I17 -0.08 -0.10 -0.05 -0.11 -0.15 -0.01 -0.08 0.09 -0.04 -0.13 0.08 -0.06 0.03 -0.05 0.13 -0.07 0.17 0.02 0.04 -0.05 I18 -0.06 -0.09 -0.05 -0.07 -0.05 -0.01 -0.05 -0.10 -0.06 0.01 -0.02 -0.09 -0.06 -0.06 0.02 -0.10 0.02 0.16 0.10 -0.03 I19 -0.10 -0.03 0.05 -0.04 -0.01 -0.04 -0.03 -0.09 -0.12 0.03 -0.03 -0.05 -0.12 -0.03 0.02 -0.11 0.04 0.10 0.41 -0.05 I20 -0.04 -0.09 -0.03 -0.17 0.02 -0.02 -0.02 0.10 0.00 0.05 -0.09 -0.02 -0.05 0.06 -0.04 0.07 -0.05 -0.03 -0.05 0.24

El grfico de probabilidad normal, representa en el eje de la X (ordenadas) los valores de correlacin normalizados observados y en el eje de la Y (abscisas) los valores de correlacin reproducidos normalizados. As, deberan describir una lnea ascendente de 45 grados entre los valores -3 a +3 de ambos ejes para reflejar un ajuste perfecto. En caso de describir una curva podra indicar dependencia entre los residuos. Como vemos en el grfico de abajo la recta no es perfecta, sino tiene cierta curvatura, adems de demasiada amplitud. As, el ajuste no es perfecto y parece haber cierta dependencia de los residuos.
Normal Probability Plot Normalized Residuals 8 Expected Normal Value 6 4 2 0 -2 -4 -10

-5

10 Value

15

20

25

30

35

30
XI.8.1.10 Comparacin entre los 8 modelos El valor del anlisis factorial confirmatorio es sobre todo en la comparacin de varios modelos competitivos. Ahora estimamos desde la matriz de correlacin y con el mtodo de GLS ML (Genralized Least Squares - Maximum likelihood) 8 modelos para la TAS-20: Unidimensional, dos bidimensional (conjuntando DES y DIS y manteniendo como segundo factor PEO) uno con factores independientes y otro con factores correlacionados, dos modelos trifactores, uno de factores dependientes y otro independientes y tres modelo de 5 factores, uno con factores independiente, otro con factores dependientes y otro tercero con algunos factores dependientes. La asignacin de variables manifiestas en los cinco factores sera: 2, 4, 11, 12 y 17 para F1; 1, 3, 6, 7, 9, 13 y 14 para F2; 15, 16, 18 y 19 para F3; 8 y 20 para F4 y 5 y 10 para F5. En el modelo de 5 factores, el factor de Pensamiento externamente orientado (PEO) se desglosa en tres. F3 refleja un pensamiento concreto sin contacto con los sentimientos, F4 una dimensin de falta de pensamiento crtico o superficialidad y F5 tendencia a analizar los problemas y estar en contacto con los sentimientos. Tabla 11. Estadsticos de ajuste para los 8 modelos de la TAS-20 en una sola muestra AFC 1 2D 2I 3D 3I 5D 5Dr F. de Dis. 1.32 1.08 1.18 0.82 1.36 0.75 0.78 501.46 411.30 446.94 313.63 518.64 283.76 295.10 ML 2 g.l. 170 169 170 167 170 160 164 P 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2.95 2.43 2.63 1.88 3.06 1.77 1.80 ML 2/g.l RMS SR 0.07 0.06 0.09 0.05 0.14 0.05 0.06 PNCP 1.07 0.77 0.85 0.40 0.85 0.32 0.34 RMS EA 0.08 0.07 0.07 0.05 0.07 0.04 0.04 PGI 0.90 0.93 0.92 0.96 0.92 0.97 0.97 APGI 0.88 0.91 0.90 0.95 0.90 0.96 0.96 NCI 0.58 0.68 0.65 0.82 0.65 0.85 0.84 GFI 0.87 0.89 0.88 0.92 0.88 0.93 0.93 AGFI 0.84 0.86 0.86 0.90 0.86 0.91 0.91 CFI 0.78 0.84 0.82 0.90 0.77 0.92 0.91 0.78 0.84 0.82 0.90 0.77 0.92 0.91 de Bollen Modelo E5, E10 F1xF5, R18 F2xF5 Iteraciones 4 5 6 5 6 8 6 5I 1.43 546.57 172 0.00 3.18 0.15 0.91 0.07 0.92 0.90 0.63 0.88 0.85 0.75 0.76 R10 10

Empezando por el modelo de 3 factores dependientes (3D), todos sus parmetros resultaron significativos. Como se puede observar en la tabla, el estadstico 2 de ajuste al modelo terico, con un valor de 313.635 y 167 grados de libertad, result significativo (p<.000) como es caracterstico en muestras grandes. A pesar de esta significatividad, no permite rechazar la hiptesis nula de equivalencia de modelos, al ser un mal indicador de ajuste absoluto. Por el contrario es un buen indicador relativo. As, este estadstico sigue siendo considerado porque al dividir su valor por sus grados de libertad (2/g.l) permite comparar modelos y decidir cul se ajuste mejor a los datos en base al menor valor de este cociente. Considerando no slo el valor de la Funcin de Discrepancia (F. de Dis) de .825 (cuanto menor, mejor) y el residuo estandarizado cuadrtico medio (RMS SR) de .053 (prxima .05), sino ante todo los estadsticos ms aptos para muestras grandes, claramente se mantiene la hiptesis de ajuste del modelo terico a los datos. Entre los ndices de ajuste ms adecuados para a una muestra simple podemos destacar: El ndice General de Ajuste de Joreskog (GFI) de .923 (>.90), el ndice General de Ajuste Corregido de Joreskog (AGFI) de .903 (>.90), el ndice de Ajuste Comparativo de Bentler (CFI) de .904 (>.90) y la de Bollen de .905 (>.90). Tambin tenemos los ndices de Ajuste de no Centralidad: El Parmetro de No Centralidad Poblacional (PNCP) con una estimacin puntual de .40 e intervalar (con un 90% de confianza) de .28 a .54 (cuanto menor, mejor), el ndice RMS EA de Steiger-Lind con una estimacin puntual de .049 e intervalar (90%) de .041 a .057 (<.05), el ndice Gamma Poblacional (PGI) con una estimacin puntual de .962 e intervalar (90%) de .949 a .973 (>.90), el ndice Gamma Poblacional Ajustado (APGI) con una estimacin puntual de .952 e intervalar (90%) de .935 a .966 (>.90). El ndice de No Centralidad de McDonald (NCI) con una estimacin puntual de .82 e intervalar (90%) de .76 a .87 qued un poco por debajo del umbral de .90, pero en el rango aceptable de .80 a .90 (Ver tabla 11). Podemos ver por el valor puntual de la Funcin de Discrepancia (F. de Dis), del cociente entre el estadstico 2 y sus grados de libertad (2/g.l), del Residuo estandarizado cuadrtico medio (RMS SR) y el valor puntual del Error cuadrtico de aproximacin (RMS EA) de Steiger-Lind, el valor puntual del Parmetro de no centralidad poblacional (PNCP), as como el mayor valor del ndice Gamma Poblacional

31
(PGI), ndice Gamma Poblacional Ajustado (APGI), ndice de Bondad de Ajuste (GFI) de Joreskog, ndice de Bondad de Ajuste Ajustado (AGFI) de Joreskog, ndice Comparativo de Ajuste (CFI) de Bentler y la coeficiente Delta de Bollen, el modelo de 3 factores relacionados (3D) resulta superior a los modelos unidimensional (1), bidimensional con factores relacionados (2D) o independientes (2I), tridimensional con factores independientes (3I) y pentafactorial con factores independientes (5I). Tan slo es superado por el modelo de 5 factores dependientes. En este ltimo modelo, hubo dos elementos no significativos (p>.05), la interaccin entre los factores 1 y 5 y la de los factores 2 y 5. Adems, una tercera interaccin entre los factores 1 y 4 tena un valor de significacin limtrofe (p=.048). No obstante, al revisar el modelo y dejar a los dos ltimos factores (4 y 5) independientes de los dos primeros (1 y 2), no mejoraban los ndices de ajuste, sino por el contrario empeoraban ligeramente (Ver tabla 11). En el modelo de 5 factores dependiente respecto al de 3 dependientes, la Funcin de Discrepancia (F. de Dis) baja de .82 a .75 y el cociente entre la Chi cuadrada del modelo y sus grados de libertad (2/g.l) de 1.88 a 1.77. El residuo estandarizado cuadrtico medio (RMS SR) se mantiene en un valor de .05. En cuanto a las estimaciones puntuales de los ndices de Ajuste de no Centralidad, el Parmetro de No Centralidad Poblacional baja de .40 a .32, el error cuadrtico de aproximacin (RMS EA) de Steiger-Lind baja de .05 a .04, el ndice Gamma Poblacional (PGI) sube de .96 a .97, el ndice Gamma Poblacional Ajustado (APGI) sube de .95 a .96 y el ndice de No Centralidad de McDonald (NCI) sube de .82 a .85. Finalmente, con respecto a los ndices de Bondad de Ajuste para una sola muestra, ndice de Bondad de Ajuste de Joreskog (GFI) sube de .92 a .93, el ndice de Bondad de Ajuste Ajustado (AGFI) de Joreskog sube de .90 a .91, el ndice Comparativo de Bentler (CFI) de .90 a .92 y el Coeficiente Delta de Bollen de .91 a .92. Aunque el modelo de 5 factores dependientes es el que mejor se ajusta a los datos, por la alta significatividad de modelos de 3 factores dependientes y su mayor relevancia terica, se puede dar por confirmada la estructura trifactorial de la escala. Adems, la ligera mejora de los estadsticos al pasar al modelo de 5 factores, tambin es atribuible a su mayor complejidad. Precisamente, los ndices de varianza (RMS SR y RMS EA) y el ajustado de no centralidad (APGI) es donde menos se observa la mejora. Hemos de valorar que la descomposicin del factor PEO en tres factores para definir el modelo de 5 factores no aporta relevancia interpretativa. La descomposicin se fundamenta en los componentes y factores que se hallan con Anlisis Factorial Exploratorio empleando el criterio Kaiser (1960) de autovalores mayores a 1 para definir el nmero de factores (Ver tabla 11). XI.8.2 Aplicacin del AFC a varias muestras de distinta poblacin A continuacin vamos brevemente a exponer como se podran comparar el ajuste de varios modelos en dos o ms muestras. En nuestro archivo de datos debemos tener una variable que nos permite identificar la pertenencia de cada sujeto a un grupo, por ejemplo el gnero (1=hombre y 2=mujer). Por medio del botn de Path tool podemos modificar los modelos ya definidos y grabados para la TAS-20. Ahora vamos a aadir la divisin por gnero. Primero, presionamos en el botn de especificar grupos (Specify groups) que se halla en el extremo izquierdo inferior de la pantalla de Structural equation modeling en que estamos trabajando. Emerge una pantalla donde aparecen dos botones, el primero Variable nos permite seleccionar la variable sexo y el segundo los valores (1 = hombre y 2 = mujer). Presionamos en OK y volvemos a la pantalla de Structural equation modeling. Ahora presionamos en el botn de Path tool. En la pantalla de Path construction tool vemos que estn activados los botones de Group y Endgroup, cuando en otras ocasiones los encontramos desactivados. En la ventana del modelo (Paths), ponemos el cursor en la primera lnea. A continuacin presionamos el botn de Group y se aade Group1. Vamos a la ltima lnea, presionamos el botn de Endogroup y se aade la palabra Endgroup. Ahora copiamos abajo el mismo modelo, seleccionndolo con el cursor todo el modelo, dando al botn de copiar (Copy) y pegando lo seleccionado tras la lnea de Endgroup presionando al botn de Paste. Ya estamos listos para dar al botn de OK. Se nos pregunta si queremos borrar el texto que figura en Analysis syntax. Le decimos que s y el nuevo modelo aparece en el recuadro de Analysis syntax. A continuacin, modificamos encabezado de Group1 en el segundo grupo para que aparezca Group2. Lo hacemos escribiendo en la pantalla de Analysis syntax. En la pantalla a la que nos da acceso el botn de Set parameters, especificamos que el anlisis se realice desde la matriz de correlaciones y dejamos la opcin de mtodo que est por defecto. Ahora podemos presionar en el botn de OK (run model) para estimar el ajuste del modelo a las dos muestras. Tabla 12 Estadsticos de ajuste para los 8 modelos de la TAS-20 en dos muestras de distinta poblacin AFC 1 2D 2I 3D 3I 5D 5Dr 5I F. de Dis. 2 2.06 2.19 1.53 2.07 1.45 1.48 2.15 750.32 774.50 822.11 573.57 779.90 543.71 554.65 808.54 ML 2 g.l. 360 360 361 357 360 350 354 362 P 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 2.08 2.15 2.28 1.61 2.17 1.55 1.57 2.23 ML 2/g.l RMS SR 0.09 0.10 0.12 0.08 0.15 0.08 0.08 0.16

32
PnCP RMSEA GFI AGFI NCI Modelo Iteraciones 1.11 0.08 0.90 0.88 0.33 E5, E10 5 1.01 0.07 0.91 0.89 0.37 12 1.13 0.08 0.90 0.88 0.32 22 0.48 0.05 0.95 0.95 0.62 7 0.95 0.07 0.91 0.90 0.39 7 0.40 0.05 0.96 0.95 0.67 F1xF4, F1xF5 F2xF5 12 0.43 0.05 0.96 0.95 0.65 R18 12 1.03 0.08 0.91 0.89 0.36 R17 7

De nuevo, se obtuvieron unos buenos ndices de ajuste y equivalencia en ambas muestras. Todos los parmetros para el modelo fueron significativos. La funcin de discrepancia fue de 1.525 (cuanto menor es el valor, mejor). El estadstico 2 con un valor de 573.572 y 357 grados de libertad result significativo (p<.000), rechazndose la hiptesis nula de equivalencia de modelos, como suele ocurrir con muestras grandes. No obstante, la hiptesis de ajuste puede ser mantenida por un residuo estandarizado cuadrtico medio (RMSSR) de .081 (<.10) y por los ndices de Ajuste de no Centralidad, entre los que se encuentran: el Parmetro de no Centralidad Poblacional (PnCP) tom un valor de .48 en una estimacin puntual y vara de .91 a 1.34 en una estimacin intervalar (90% de confianza), quedando en un valor bajo, el ndice RMSEA de Steigner-Lind con una estimacin puntual de .052 e intervalar (90%) de .043 a .061 (<.10), el ndice Gamma Poblacional (PGI) con una estimacin puntual de .954 e intervalar (90%) de .938 a .968 (>.85), el ndice Gamma Poblacional Ajustado (APGI) con una estimacin puntual de .946 e intervalar (90%) de .927 a .963 (>.80) y el ndice de no Centralidad (nCI) de McDonald con una estimacin puntual de .62 e intervalar (90%) de .52 a .72 (>.50). Los ndices de ajuste de muestra simple (GFI, AGFI, CFI, Delta de Bollen) en este caso de comparacin de dos muestras no puede ser calculados (ver tabla 12). Igualmente, el modelo de 3 factores dependientes result superior al modelo unidimensional, de dos factores ya sean dependientes o independientes, de tres factores independientes y 5 factores independientes. Slo era ligeramente superado por el modelo de 5 factores dependientes, cuyo ndices de ajuste no mejoraban al dejar independiente los dos ltimos factores (4 y 5) de los dos primeros factores (1 y 2) como se puede ver en la Tabla 12. En este modelo de 5 factores dependientes en contraste al modelo de 3 factores dependientes, la Funcin de Discrepancia baja de 1.53 a 1.45, el cociente entre la Chi-cuadrada del modelo y sus grados de libertad baja de 1.61 a 1.55 y la Raz Cuadrada de los Residuos Estandarizados al Cuadrado (RMSSR) se mantiene igual en un valor de .08. En cuanto a los ndices de Ajuste de no Centralidad en su estimaciones puntuales, el ndice Gamma de Poblacin (PGI) sube de .95 a .96 y el ndice Gamma de Poblacin Ajustado (APGI) se mantiene igual en un valor de .95, el ndice de no Centralidad de McDonal (nCI) sube de .62 a .67, , el ndice RMSEA de Steiger-Lind se mantiene en .05 y el Prametro de no Centralidad Poblacin (PnCP) baja de .48 a .40. A pesar del ajuste ligeramente mejor del modelo de 5 factores dependientes sobre el de 3 factores dependientes, debido a los ya buenos ndices de ste ltimo y por su mayor relevancia terica, se puede considerar confirmada la hiptesis de ajuste.

XI.8.3 Aplicacin del AFC a la misma muestra tomada en distintos momentos Una tercera aplicacin del anlisis factorial confirmatorio, til no slo para establecer la estabilidad de la solucin factorial, sino la fiabilidad de la escala es su empleo en situaciones de retest, donde el cuestionario o las variables se han medido en al menos dos ocasiones en los mismos sujetos. Por ejemplo, la TAS-20 se aplic 6 meses despus en una muestra de 270 sujetos. Capturadas las puntuaciones en los 20 elementos en la misma base de datos, se puede proceder a estudiar la estabilidad del modelo de tres factores relacionados, y comprobar cul se ajusta mejor y es ms estable entre los 8 modelos competitivos. Para tres factores dependientes, el modelo que aparece en el recuadro de analysis syntax sera el siguiente: (DISa)-1->[I2a] (DISa)-2->[I4a] (DISa)-3->[I11a] (DISa)-4->[I12a] (DISa)-5->[I17a] (DESa)-6->[I1a] (DESa)-7->[I3a] (DESa)-8->[I6a] (Error1)-->[I2a] (Error2)-->[I4a] (Error3)-->[I11a] (Error4)-->[I12a] (Error5)-->[I17a] (Error6)-->[I1a] (Error7)-->[I3a] (Error8)-->[I6a] (Error1)-21-(Error1) (Error2)-22-(Error2) (Error3)-23-(Error3) (Error4)-24-(Error4) (Error5)-25-(Error5) (Error6)-26-(Error6) (Error7)-27-(Error7) (Error8)-28-(Error8) (DESa)-61-(DISa) (PEOa)-62-(DISa) (PEOa)-63-(DESa) (DESb)-61-(DISb) (PEOb)-62-(DISb) (PEOb)-63-(DESb) (DESa)-64-(DESb) -65-(DISb)

33
(DESa)-9->[I7a] (DESa)-10->[I9a] (DESa)-11->[I13a] (DESa)-12->[I14a] (PEOa)-13->[I5a] (PEOa)-14->[I8a] (PEOa)-15->[I10a] (PEOa)-16->[I15a] (PEOa)-17->[I16a] (PEOa)-18->[I18a] (PEOa)-19->[I19a] (PEOa)-20->[I20a] (DISb)-1->[I2b] (DISb)-2->[I4b] (DISb)-3->[I11b] (DISb)-4->[I12b] (DISb)-5->[I17b] (DESb)-6->[I1b] (DESb)-7->[I3b] (DESb)-8->[I6b] (DESb)-9->[I7b] (DESb)-10->[I9b] (DESb)-11->[I13b] (DESb)-12->[I14b] (PEOb)-13->[I5b] (PEOb)-14->[I8b] (PEOb)-15->[I10b] (PEOb)-16->[I15b] (PEOb)-17->[I16b] (PEOb)-18->[I18b] (PEOb)-19->[I19b] (PEOb)-20->[I20b] (Error9)-->[I7a] (Error10)-->[I9a] (Error11)-->[I13a] (Error12)-->[I14a] (Error13)-->[I5a] (Error14)-->[I8a] (Error15)-->[I10a] (Error16)-->[I15a] (Error17)-->[I16a] (Error18)-->[I18a] (Error19)-->[I19] (Error20)-->[I20a] (Error21)-->[I2b] (Error22)-->[I4b] (Error23)-->[I11b] (Error24)-->[I12b] (Error25)-->[I17b] (Error26)-->[I1b] (Error27)-->[I3b] (Error28)-->[I6b] (Error29)-->[I7b] (Error30)-->[I9b] (Error31)-->[I13b] (Error32)-->[I14b] (Error33)-->[I5b] (Error34)-->[I8b] (Error35)-->[I10b] (Error36)-->[I15b] (Error37)-->[I16b] (Error38)-->[I18b] (Error39)-->[I19b] (Error40)-->[I20b] (Error9)-29-(Error9) -66-(PEOb) (Error10)-30-(Error10) (DISa)-67-(DESb) (Error11)-31-(Error11) -68-(DISb) (Error12)-32-(Error12) -69-(PEOb) (Error13)-33-(Error13) (PEOa)-70-(DESb) (Error14)-34-(Error14) -71-(DISb) (Error15)-35-(Error15) -72-(PEOb) (Error16)-36-(Error16) (Error17)-37-(Error17) (Error18)-38-(Error18) (Error19)-39-(Error19) (Error20)-40-(Error20) (Error21)-41-(Error21) (Error22)-42-(Error22) (Error23)-43-(Error23) (Error24)-44-(Error24) (Error25)-45-(Error25) (Error26)-46-(Error26) (Error27)-47-(Error27) (Error28)-48-(Error28) (Error29)-49-(Error29) (Error30)-50-(Error30) (Error31)-51-(Error31) (Error32)-52-(Error32) (Error33)-53-(Error33) (Error34)-54-(Error34) (Error35)-55-(Error35) (Error36)-56-(Error36) (Error37)-57-(Error37) (Error38)-58-(Error38) (Error39)-59-(Error39) (Error40)-60-(Error40)

En este modelo se consideran los residuos como variables aleatorias. As, se considera que varan de una aplicacin a otra y no se postula la dependencia entre los residuos que determinan a las variables manifiestas de la primera y segunda aplicacin. Si se quisiera hacer tal especificacin, para el error del primer elemento se hara con el comando (Error1-73-Error21). En nuestro caso el ajuste era mejor sin errores correlacionados. El programa de sintaxis lo hemos empezado definiendo los factores latentes (DESa, DISa y PEOa) que determinan a las variables manifiestas de la primera aplicacin (I1a a I20a) (nmeros de parmetros del 1 al 20). Luego, las variables latentes (DESb, DISb y PEOb) que determinan a las variables manifiestas de la segunda aplicacin (I1b a I20b), repitiendo los mismos nmeros de parmetros (del 1 al 20). Luego se definen las variables latentes de error que determinan a las 40 variables manifiestas (20 de la primera aplicacin y 20 de la segunda). Llevan los nmeros de parmetro del 41 al 60. A continuacin se definen las correlaciones entre los factores que determinan a las variables manifiestas de la primera aplicacin. Llevan los nmeros de parmetros del 61 al 63. Sigue las mismas correlaciones con los factores que determinan a las variables de la segunda aplicacin, de ah que se repitan el nmero de parmetros (del 61 al 63). Finalmente, se cruzan las correlaciones de los factores de las dos aplicaciones. Correlaciones que son parmetros libres y llevan los nmeros del 64 al 72. Aunque para simplificar el modelo se pueden omitir estas correlaciones cruzadas y dejarlo en 63 parmetros. Si las correlaciones de las variables manifiestas y los factores entre la primera y la segunda aplicacin se aproximase a 1, o si este problema se presentara en la sucesivas iteraciones, no se podra aplicar el anlisis factorial confirmatorio a causa de la singularidad de la matriz de correlaciones. En tal caso, no tendra ningn sentido comprobar el modelo en la segunda muestra al ser igual que la primera. En la siguiente tabla se presentan algunos de los estadsticos de ajuste del contraste para los 8 modelos considerados, calculados desde la matriz de correlacin por el mtodo que combina Mnimos cuadrados generales y Mxima verosimilitud (GLS ML) AFC F. de Dis. ML 2 1 2.12 1754.06 2D 2.08 1606.66 2I 2.27 1603.63 3D 1.45 1198.84 3I 2.16 1621.40 5D 1.43 1140.03 5Dr 1.63 1145.50 5I 2.21 1489.41

34
g.l. P ML 2/g.l RMS SR PnCP RMSEA PGI APGI NCI GFI AGFI CFI de Bollen Modelo Iteraciones 737 0.00 2.38 0.09 1.10 0.08 0.90 0.88 0.59 0.87 0.84 0.78 0.79 E5, E10 10 737 0.00 2.18 0.07 0.75 0.07 0.93 0.91 0.69 0.89 0.86 0.84 0.84 11 739 0.00 2.17 0.09 0.85 0.07 0.92 0.90 0.65 0.88 0.86 0.82 0.84 12 731 0.00 1.64 0.04 0.38 0.04 0.97 0.96 0.88 0.96 0.95 0.90 0.94 11 737 0.00 2.20 0.14 0.85 0.07 0.92 0.90 0.75 0.88 0.86 0.77 0.77 15 717 0.00 1.59 0.04 0.30 0.04 0.97 0.96 0.89 0.96 0.95 0.92 0.95 F1xF5, F2xF5 14 725 0.00 1.58 0.07 0.33 0.04 0.97 0.96 0.84 0.93 0.91 0.91 0.91 R18 11 741 0.00 2.01 0.15 0.81 0.07 0.92 0.90 0.63 0.88 0.85 0.75 0.77 12

La estructura de 3 factores relacionados claramente se ajusta en las dos aplicaciones, realizada una tras 6 meses de la otra. Precisamente la correlacin entre las 2 escalas fue de .75. Slo el modelo de 5 factores dependientes supera muy ligeramente en ajuste a de 3 factores dependientes. Por los excelentes ndices de ajuste del modelo de 3 factores relacionados (Residuo estandarizado cuadrtico medio y Error cuadrtico de aproximacin menores de .05, los ndices de ajuste general de Jreskog y Gamma poblacionales son mayores o iguales a .95 y la delta de Bollen de .94), y la no variacin entre los modelos 3D y 5D de los ndices menos sensibles a la complejidad (Error cuadrtico de aproximacin y residuo estandarizado cuadrtico medio de .04 e ndice gamma poblacional ajustado de .95), podemos afirmar que el modelo ms sencillo y con mayor relevancia es el que mejor se ajusta, es decir el modelo de tres factores relacionados. As, queda conformada la hiptesis estructural propuesta. EJERCICIOS PROPUESTOS Ejercicio 1 Compruebe, analizando los datos como correlaciones, un modelo de tres factores relacionados para las 10 escalas clnicas del MMPI (Hathaway y McKinley, 1967). Los factores del modelo terico seran los siguientes: El primer factor, el de psicoticismo, estara constituido por las variables de Esquizoidismo (ES), Psicastenia (PT), Desviacin psicoptica (DP) y Paranoia (PA). El segundo factor, el de depresin, se hallara formado por las variables de Depresin (D), Introversin social (IS) e Hipomana (MA). El tercer factor, el somatomorfo, estara integrado por las variables de Histeria (HI), Hipocondriasis (HS) y Masculinidad-Feminidad (MF). Ya que slo en dos variables se cumple el supuesto de normalidad (Histeria e Hipomana), emplee primero el mtodo del Estimador gramiano asinttico libre de distribucin (Asymptotically Distribution Free Gramian) (ADFG) para estimar la funcin de discrepancia. Si la matriz de partida no es gramiana, entonces opte por el del Estimador insesgado asinttico libre de distribucin (Asymptotically Distribution Free Unbiased) (ADFU). Tome los datos del archivo (MMPI.sta) proporcionado en el CD. La sintaxis del modelo propuesto contempla, en primer lugar, la definicin de los factores como variables latentes; correspondiendo al factor de Psicoticismo los nmeros de coeficiente o parmetros libres a estimar del 1 al 4, al de Depresin del 5 al 7 y al Somatomorfo del 8 al 10. Un nmero por cada variable manifiesta que lo integra. En segundo lugar, se definen los errores como variables latentes. Cada error est asociado, o mejor dicho determina, a una variable manifiesta. Son parmetros fijos que el programa no estima. En tercer lugar, al programa se le seala que estime parmetros para la varianza de cada variable latente de error, con los nmeros de coeficiente del 11 al 20. Por ltimo, se introducen las correlaciones entre los factores y se especifica que son parmetros libres a estimar con los nmeros de coeficiente del 21 al 23. (Psicoticismo)-1->[ES] (Psicoticismo)-2->[PT] (Psicoticismo)-3->[DP] (Psicoticismo)-4->[PA] (Depresin)-5->[D] (Depresin)-6->[IS] (Depresin)-7->[MA] (Somatomorfo)-8->[HS] (Somatomorfo)-9->[HI] (Somatomorfo)-10->[MF] (Error1)-->[ES] (Error2)-->[PT] (Error3)-->[DP] (Error4)-->[PA] (Error5)-->[D] (Error6)-->[IS] (Error7)-->[MA] (Error8)-->[HS] (Error9)-->[HI] (Error10)-->[MF] (Error1)-11-(Error1) (Error2)-12-(Error2) (Error3)-13-(Error3) (Error4)-14-(Error4) (Error5)-15-(Error5) (Error6)-16-(Error6) (Error7)-17-(Error7) (Error8)-18-(Error8) (Error9)-19-(Error9) (Error10)-20-Error10)

35
(Psicoticismo)-21-(Depresin) (Somatomorfo)-22-(Psicoticismo) (Somatomorfo)-23-(Depresin) Recuerde que en la pantalla de Analysis parameters se especifica correlations en la seccin de Data to analysis y escoge la opcin ADFU como mtodo para estimar la funcin de discrepancia. Como podr ver, no se puede estimar la solucin por el mtodo del estimador insesgado asinttico libre de distribucin (ADFU) porque la matriz de origen no es gramiana. As, se opta por el mtodo del estimador gramiano asinttico libre de distribucin (ADFG) que transforma la matriz de origen (de correlaciones) en una matriz gramiana, es decir, sin matriz inversa. El clculo requiri 16 iteraciones para converger y podemos observar que el modelo tiene un ajuste ms bien pobre. El residuo estandarizado cuadrtico medio (RMS SR) fue de .158 y el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) en su estimacin puntual de .115, es decir, valores mayores a .10. El ndice de bondad de ajuste de Joreskog (GFI) fue de .873 y el ajustado (AGFI) de .781, es decir, menores a .90. A favor del ajuste del modelo, el valor de la funcin de discrepancia es bajo (.515), al igual que el Parmetro de no centralidad poblacional con un estimacin puntual de .427. Asimismo, el ndice de no centralidad de McDonald en su estimacin puntual fue de 0.808, es decir mayor a .90. El mejor ndice de ajuste result el Criterio bayesiano de Schwarz (.891). Los 32 parmetros del modelo fueron significativos, a excepcin de la variable latente error que determina la puntuacin en la escala de Depresin (Error 5), cuyo parmetro estimado fue de .084 con un error estndar de estimacin de .097 (t=.868, p=.385). Los estadsticos del multiplicador de LaGrange de las variables manifiestas fueron nulos, consecuente con sus parmetros significativamente distintos de cero dentro del modelo. Ejercicio 2. - A continuacin, contraste el ajuste del mismo modelo de tres factores relacionados empleando el mtodo propuesto por defecto en STATISTICA: GLS ML (Genralized Least Squares - Maximum likelihood), el cual combina de forma secuencial Mnimos cuadrados generalizados y Mxima verosimilitud. Realice el clculo bien desde la matriz de correlaciones que se proporciona abajo o desde el archivo de datos (MMPI.sta). En las correcciones a este modelo puede considerarse la saturacin de escala hipomana en el factor psicoticismo en vez del factor de depresin y la independencia de los factores de psicoticismo y depresin. Introduzca la matriz con el formato que se muestra siguiendo las indicaciones dadas en los tres ltimos prrafos del punto XI.2.1 (sobre archivos de datos). Una vez creada la matriz, la puede guardar como un archivo tipo STATISTICA Matrix file (*.smx). HS HS D HI DP MF PA PT ES MA IS Means Std Dev. No. Cases Matrix 362 1 362 362 362 362 362 362 362 362 362 1 0.343 0.575 0.279 0.119 0.232 0.441 0.413 0.068 0.18 1 0.322 0.205 0.239 0.211 0.416 0.263 -0.192 0.53 1 0.384 0.188 0.286 0.321 0.292 -0.023 -0.032 1 0.133 0.399 0.476 0.454 0.26 0.089 1 0.234 0.049 -0.074 -0.116 0.04 1 0.44 0.356 0.124 0.135 1 0.693 0.225 0.378 1 0.334 0.293 1 -0.1 1 D HI DP MF PA PT ES MA IS

El programa de sintaxis para el clculo es el mismo que el visto en el ejercicio 1. Tambin, en la pantalla de Analysis parameters, especificamos correlations en la seccin de Data to analysis y dejamos la opcin de mtodo que aparece por defecto para estimar la funcin de discrepancia por GLS-ML. Este mtodo combina 5 iteraciones por Mnimos cuadrados generalizados y prosigue el clculo por Mxima

36
verosimilitud hasta que converge la solucin bajo las especificaciones estipuladas. Por este mtodo la solucin converge en la octava iteracin y tambin se obtiene un pobre ajuste. El residuo estandarizado cuadrtico medio (RMS SR) fue de .107 y el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) en su estimacin puntual fue de .142, es decir, mayores a .10. El ndice de bondad de ajuste de Joreskog (AGFI) fue de .872 y el ajustado (GFI) de .780; los ndices gamma poblacional (PGI) y gamma poblacional ajustado (APGI), ambos en estimacin puntual fueron respectivamente de .886 y .804, es decir, menores a .90. Asimismo, el ndice de no centralidad de McDonald en su estimacin puntual fue de .724, es decir, menor de .80. A favor del ajuste del modelo, el valor de la funcin de discrepancia (.704) y el Parmetro de no centralidad poblacional en su estimacin puntual (.695) fueron bajos. Todos los parmetros fueron significativos, salvo el error que determina la variable de Depresin (Error 5), ya que el parmetro del segundo factor para esta variable fue 1 (valor mximo) y consecuentemente el parmetro del error fue cero. Los estadsticos del multiplicador de LaGrange de las 10 variables manifiestas son nulos, en consonancia con la significacin de las mismas. Con una de las modificaciones propuestas, al saturar la escala MA (de hipomana) en el factor de psicoticismo, mejora algo el ajuste del modelo. El programa de sintaxis vara ligeramente: (Psicoticismo)-1->[ES] (Psicoticismo)-2->[PT] (Psicoticismo)-3->[DP] (Psicoticismo)-4->[PA] (Psicoticismo)-5->[MA] (Depresin)-6->[D] (Depresin)-7->[IS] (Somatomorfo)-8->[HS] (Somatomorfo)-9->[HI] (Somatomorfo)-10->[MF] (Error1)-->[ES] (Error2)-->[PT] (Error3)-->[DP] (Error4)-->[PA] (Error5)-->[MA] (Error6)-->[D] (Error7)-->[IS] (Error8)-->[HS] (Error9)-->[HI] (Error10)-->[MF] (Error1)-11-(Error1) (Error2)-12-(Error2) (Error3)-13-(Error3) (Error4)-14-(Error4) (Error5)-15-(Error5) (Error6)-16-(Error6) (Error7)-17-(Error7) (Error8)-18-(Error8) (Error9)-19-(Error9) (Error10)-20-(Error10) (Depresin)-21-(Psicoticismo) (Somatomorfo)-22-(Psicoticismo) (Somatomorfo)-23-(Depresin)

Tras ir a la pantalla de Analysis parameters, especificar correlations en la seccin de Data to analysis y dejar la opcin de mtodo que aparece por defecto para estimar la funcin de discrepancia (GLS-ML), realizamos el clculo. Vemos que la solucin converge en la quinceava iteracin. El residuo estandarizado cuadrtico medio (RMS SR) fue de .088 y el error cuadrtico de aproximacin de SteigerLind (RMS EA) en su estimacin puntual fue de .140. Slo el primero result menor a .10. El ndice de bondad de ajuste de Joreskog (AGFI) fue de 0.874 y el ajustado (GFI) de 0.784, y los ndices gamma poblacional (PGI) y gamma poblacional ajustado (APGI), ambos en estimaciones puntuales, fueron respectivamente de .888 y .807. Mejoran, pero siguen siendo menores a .90. El ndice de no centralidad de McDonald en su estimacin puntual fue de 0.730; menor de .80. A favor del ajuste, el ndice comparativo de Bentler y la Delta de Bollen fueron de .81, mayores a .90. Asimismo, y nuevamente, el valor de la funcin de discrepancia (.666) y el Parmetro de no centralidad poblacional en su estimacin puntual (.631) fueron bajos. Todos los parmetros del modelo son significativos salvo el error asociado a la escala de depresin. El estadstico del multiplicador de LaGrange para cada variable latente fue nulo. Los datos indican que la solucin trifactorial propuesta, con los factores interdependientes de psicoticismo, depresin y somatomorfo, no es muy clara ni robusta. Los mejores ndices aparecen cuando se consideran los tres factores como relacionados y la escala de mana satura en el factor de psicoticismo o de dureza emocional, desvinculacin e impulsividad. Ejercicio 3. - Contraste el modelo de tres PA, Depresin D e IS y Somatomorfo Emplee el mtodo ADFG o en caso que proporcionados en el archivo MMPI.sta, correlaciones que se proporciona abajo correlaciones como datos de anlisis. factores relacionados (Psicoticismo ES, PT, DP, MA y HS, HI y MF) en la muestra de hombres y mujeres. no se pueda ADFU para lo cual requiere de los datos as como el mtodo GLS-ML, bien desde la matriz de o desde el archivo de datos con la especificacin de

Se representa a continuacin la sintaxis del modelo que sirve tanto para su clculo desde la archivo de datos como desde la matriz de correlaciones. En el programa de sintaxis, se escribe el modelo tal como se vio en el ejercicio 2. Para el primer grupo se encabeza por el comando de Group1 y se cierra por el comando Endgroup. A continuacin se repite exactamente el mismo modelo, con los mismos nmeros de coeficientes, con el encabezamiento de Group2 y terminado con Endgroup. De este modo, indicamos al programa que se trata del mismo modelo a contrastar en dos muestras.

37
GROUP 1 (Psicoticismo)-1->[ES] (Psicoticismo)-2->[PT] (Psicoticismo)-3->[DP] (Psicoticismo)-4->[MA] (Psicoticismo)-5->[PA] (Depresin)-6->[D] (Depresin)-7->[IS] (Somatomorfo)-8->[HS] (Somatomorfo)-9->[HI] (Somatomorfo)-10->[MF] (Error1)-->[ES] (Error2)-->[PT] (Error3)-->[DP] (Error4)-->[MA] (Error5)-->[PA] (Error6)-->[D] (Error7)-->[IS] (Error8)-->[HS] (Error9)-->[HI] (Error10)-->[MF] (Error1)-11-(Error1) (Error2)-12-(Error2) (Error3)-13-(Error3) (Error4)-14-(Error4) (Error5)-15-(Error5) (Error6)-16-(Error6) (Error7)-17-(Error7) (Error8)-18-(Error8) (Error9)-19-(Error9) (Error10)-20-(Error10) (Depresin)-21-(Psicoticismo) (Somatomorfo)-22-(Psicoticismo) (Somatomorfo)-23-(Depresin)

ENDGROUP GROUP 2 Lneas de programa del modelo, repitiendo sin ningn cambio la del primer grupo. ENDGROUP Tras ir a la pantalla de Analysis parameters y especificar correlations en la seccin de Data to analysis y como opcin de mtodo para estimar la funcin de discrepancia (ADFU), realizamos el clculo. Por el mtodo del estimador insesgado asinttico libre de distribucin (ADFU), el programa emite un mensaje de error. Nos dice que no se puede aplicar porque la matriz de partida no es gramiana. As que optamos por el mtodo del estimador gramiano asinttico libre de distribucin (ADFG) que transforma la matriz de partida (de correlaciones) para que sea gramiana. El ajuste del modelo de tres factores tanto en la muestra de hombres como en la de mujeres es pobre. La solucin convergi en la quinceava iteracin. En ambas muestras el parmetro para la escala de Masculinidad-Feminidad del factor somatomorfo no presenta un valor significativamente distinto de cero (t=.507, p=.612), con un parmetro estimado de .026 y un error estndar de estimacin de .050. No obstante, el resto de elementos del modelo son significativos y los estadsticos del multiplicador de LaGrange de las variables manifiestas son nulos. El valor de la funcin de discrepancia (.561) y el parmetro de no centralidad poblacional en su estimacin puntual (.346) son bajos. El residuo estandarizado cuadrtico medio (RMS SR) result alto (.185) es mayor de .10, pero no as el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) en su estimacin puntual (.095). El ndice de no centralidad de McDonald presenta en su estimacin puntual un valor bajo de 708 (menor a .90). La matriz de correlaciones de las escalas del MMPI de dos grupos de hombres (n=84) y mujeres (n=275) debe tomar el formato que se presenta para sea reconocida por el programa. Una vez creada la matriz, se puede guardar como un archivo tipo STATISTICA Matrix file (*.smx). HS HS D HI DP MF PA PT ES MA IS Means Std Dev. No. Cases 84 84 84 84 84 84 84 84 84 84 1 0.334 0.491 0.42 0.092 0.295 0.485 0.6 0.205 0.299 1 0.267 0.35 0.212 0.092 0.291 0.286 -0.227 0.525 1 0.333 0.099 0.105 0.218 0.278 0.052 0.008 1 0.327 0.468 0.507 0.519 0.166 0.257 1 0.392 0.206 0.199 0.045 0.202 1 0.522 0.527 0.255 0.276 1 0.714 0.237 0.46 1 0.405 0.442 1 -0.06 1 D HI DP MF PA PT ES MA IS

38
Matrix HS D HI DP MF PA PT ES MA IS Means Std Dev. No. Cases Matrix 275 1 275 275 275 275 275 275 275 275 275 1 1 0.317 0.573 0.226 0.007 0.192 0.429 0.408 0.063 0.149 1 0.296 0.166 0.095 0.201 0.448 0.336 -0.133 0.541 1 0.384 0.061 0.305 0.349 0.358 -0.001 -0.048 1 0.056 0.377 0.469 0.457 0.303 0.045 1 0.143 0.001 -0.003 -0.008 0.004 1 0.417 0.349 0.122 0.093 1 0.71 0.232 0.348 1 0.274 0.251 1 -0.114 1

Por el mtodo GLS-ML que inicia con 5 iteraciones por Mnimos cuadrados generalizados (GLS) y sigue por Mxima verosimilitud (ML) hasta que converge la solucin, la convergencia se logra en la undcima iteracin. El modelo de tres factores presenta un ajuste pobre tanto en hombres como mujeres. Nuevamente, en ambas muestras, el parmetro para la escala de Masculinidad-Feminidad asociada del factor somatomorfo no presenta un valor significativamente distinto de cero (t=1.175, p=.240), con un parmetro estimado de .070 y un error estndar de estimacin de .060. No obstante, el resto de elementos del modelo son significativos y los estadsticos del multiplicador de LaGrange de las variables manifiestas son nulos. El valor de la funcin de discrepancia (.630) y el parmetro de no centralidad poblacional en su estimacin puntual (.419) son bajos. El residuo estandarizado cuadrtico medio (RMS SR) (.107) y el error cuadrtico de aproximacin de Steiger-Lind en su estimacin puntual (RMS EA) (0.104) son mayores a .1. Asimismo El ndice de no centralidad de McDonald presenta un valor bajo de .658 en su estimacin puntual. No obstante, el ndice gamma poblacional (PGI) (.923) y el ajustado (APGI) (.890) fueron mayores o prximos a .90 en sus estimaciones puntuales. Al repetir el modelo sin la variable manifiesta de Masculinidad-Feminidad (MF) no mejora el ajuste. As, concluimos que el modelo propuesto no refleja claramente la estructura factorial de las escalas clnicas del MMPI. Ejercicio 4. Compruebe un modelo unidimensional para las 6 escalas del DAT (Bennett, Seashore y Wesman, 1980) en una muestra de 360 sujetos. Las escalas de DAT son de razonamiento verbal (representada por VER), la de razonamiento numrico (NUM), la de razonamiento abstracto (ABS), la de razonamiento espacial (ESP), la de razonamiento mecnico (MEC) y la de velocidad y exactitud (VYE). La distribucin de las escalas de razonamiento verbal (VER), razonamiento abstracto (ABS) y velocidad y exactitud (VYE) no se ajusta a una curva normal. Por lo que el supuesto de normalidad multivariada es algo dbil. De ah que sea necesario probar con un mtodo que no requiere dicho supuesto. Asi, emplee el mtodo ADFU o en caso que no pueda ADFG. Tome los datos del archivo (DAT.sta) proporcionado en el CD. Adems, contraste el modelo desde la matriz de correlaciones con el mtodo GLS-ML. Se representa a continuacin la sintaxis del modelo que sirve tanto para su clculo desde la archivo de datos como desde la matriz de correlaciones. En el programa de sintaxis, se contempla, en primer lugar, la definicin de la variable latente del factor general de inteligencia acadmica (FG) que determina a las 6 variables manifiestas. De este modo se introducen los 6 primeros nmeros de coeficientes o parmetros a estimar. En segundo lugar, se definen las variables latentes de los errores como parmetros fijos que el programa no estima. Cada error determina a una de las variables manifiestas. A continuacin con los comandos a los que le corresponde los nmeros de coeficiente del 7 al 12, se indica al programa que tiene que estimar los parmetros de las varianzas para los errores. No se postula ninguna correlacin entre los errores.

39
(FG)-1->[VER] (FG)-2->[NUM] (FG)-3->[ABS] (FG)-4->[ESP] (FG)-5->[MEC] (FG)-6->[VYE] (Error1)-->[VER] (Error2)-->[NUM] (Error3)-->[ABS] (Error4)-->[ESP] (Error5)-->[MEC] (Error6)-->[VYE] (Error1)-7-(Error1) (Error2)-8-(Error2) (Error3)-9-(Error3) (Error4)-10-(Error4) (Error5)-11-(Error5) (Error6)-12-(Error6)

Recuerde que en la pantalla de Analysis parameters debe indicar que el tipo de datos de anlisis es Correlations y escoger el mtodo de estimacin de la funcin de discrepancia. El mtodo del estimador insesgado asinttico libre de distribucin (ADFU) no se puede aplicar porque la matriz inicial de correlaciones no es gramiana. As que se opta por el mtodo del estimador gramiano asinttico libre de distribucin (ADFG) que realiza una transforma sobre la matriz de partida para que sea gramiana. Observamos que el ajuste del modelo unidimensional es bueno. La solucin convergi en la octava iteracin. Todos los parmetros del modelo resultaron significativos y los estadsticos del multiplicador de LaGrange son nulos. Los valores de la funcin de discrepancia (.092) y del parmetro no poblacional en su estimacin puntual (.067) son muy bajos. El residuo estandarizado cuadrtico medio (RMS SR) fue de .089 y el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) en su estimacin puntual de .086, ambos menores a .10. El ndice de bondad de ajuste de Joreskog (GFI) fue de .961 y el ajustado (AGFI) de .910 y el ndice no central de McDonald en su estimacin puntual de .967, es decir mayores a .90. Para poder trabajar con la matriz de correlaciones, introdzcala con el formato que se muestra, siguiendo las indicaciones dadas en los tres ltimos prrafos del punto XI.2.1. Una vez creada la matriz, la puede guardar como un archivo tipo STATISTICA Matrix file (*.smx). VER VER NUM ABS ESP MEC VYE Means Std Dev. No. Cases Matrix 360 1 360 360 360 360 360 1 0.417 0.433 0.405 0.426 0.195 1 0.435 0.372 0.311 0.278 1 0.509 0.402 0.188 1 0.549 0.168 1 0.079 1 NUM ABS ESP MEC VYE

Por el mtodo GLS-ML que se inicia con 5 iteraciones por Mnimos cuadrados generalizados (GLS) y sigue por Mxima verosimilitud (ML) hasta que converge la solucin, la convergencia se logr a la quinta iteracin. Como se puede comprobar el ajuste del modelo es bueno. Todos los parmetros del modelo fueron significativos y los estadsticos del multiplicador de LaGrange de las variables manifiestas son nulos. El valor de la funcin de discrepancia fue muy bajo (.087), al igual que la estimacin puntual del parmetro de no centralidad poblacional (.106). El residuo estandarizado cuadrtico medio (RMS SR) fue muy bueno de .048, pero no as el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) con un valor de .098 en su estimacin puntual. El ndice de bondad de Joreskog (GFI) fue de .964 y el ajustado (AGFI) de .916: Los ndices gamma poblacional (PGI) y gamma ajustado (APGI) en su estimacin puntual fueron de .972 y.934 respectivamente. Los tres ndices de Bentler (normado, no normado y comparativo) oscilan de .90 a .94. Asimismo, el ndice no centralidad de McDonald en su estimacin puntual fue de .957. Es decir, todos ellos mayores a .90. Se puede afirmar que el modelo de factor nico de inteligencia acadmica se confirma con las escalas del DAT. Ejercicio 5. Compruebe un modelo unidimensional para las 6 escalas del DAT en dos muestras, una de hombres y otra de mujeres, empleando los mtodos ADFU o ADFG y GLS-ML, especificando como datos para el anlisis: correlaciones. Con el archivo de datos (DAT.sta)

40
proporcionado en el CD puede usar los tres mtodos y con la matriz de correlaciones slo el mtodo GLS-ML. Se representa a continuacin la sintaxis del modelo que sirve tanto para su clculo desde la archivo de datos como desde la matriz de correlaciones. En el programa de sintaxis, se escribe el modelo tal como se vio en el ejercicio 4. Para el primer grupo se encabeza por el comando de Group1 y se cierra por el comando Endgroup. A continuacin se repite exactamente el mismo modelo, con los mismos nmeros de coeficientes, con el encabezamiento de Group2 y terminado con Endgroup. De este modo, indicamos al programa que se trata del mismo modelo a contrastar en dos muestras. Recuerde que en la pantalla de Analysis parameters debe indicar que el tipo de datos de anlisis es Correlations y escoger el mtodo de estimacin de la funcin de discrepancia. GROUP 1 Lneas del programa del modelo FG ENDGROUP GROUP 2 Lneas de programa del modelo FG ENDGROUP El mtodo de estimador insesgado asinttico libre de distribucin (ADFU) no se puede aplicar porque la matriz de partida no es gramiana. As que se opta por el mtodo de estimador gramiano asinttico libre de distribucin (ADFG) que realiza una transformacin sobre la matriz de partida (de correlaciones) para que sea gramiana. El ajuste del modelo unidimensional tanto en la muestra de hombres como en la de mujeres es aceptable. La solucin convergi en la octava iteracin. En ambas muestras todos los parmetros del modelo son significativos y los estadsticos del multiplicador de LaGrange son nulos. El valor de la funcin de discrepancia (.140) y el parmetro de no centralidad poblacional en su estimacin puntual (.072) son muy bajos. El residuo estandarizado cuadrtico medio (RMS SR) result alto (.126), pero el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) en su estimacin puntual fue (.077) menor de .10. El ndice de no centralidad de McDonald en su estimacin puntual presenta un valor alto de .931. La matriz de correlaciones de las escalas del DAT de dos grupos de hombres (n=83) y mujeres (n=274) debe tomar el formato presentado para que sea leda por el programa. Una vez creada la matriz, la puede guardar como un archivo tipo STATISTICA Matrix file (*.smx). VER VER NUM ABS ESP MEC VYE Means Std Dev. No. Cases Matriz VER NUM ABS ESP MEC VYE Means 83 1 1 0.452 0.454 0.347 0.396 0.244 1 0.456 0.369 0.294 0.294 1 0.481 0.357 0.183 1 0.477 0.194 1 0.14 1 83 83 83 83 83 1 0.342 0.414 0.489 0.491 0.134 1 0.369 0.365 0.378 0.246 1 0.627 0.554 0.313 1 0.626 0.221 1 0.133 1 NUM ABS ESP MEC VYE

41
Stad Dev. No. Cases Matriz 274 1 274 274 274 274 274

Por el mtodo GLS-ML que inicia con 5 iteraciones por Mnimos cuadrados generalizados (GLS) y sigue por mxima verosimilitud (ML) hasta que converge la solucin, la convergencia se logra en la quinta iteracin. El modelo de un factor general tambin presenta un ajuste aceptable tanto en hombres como mujeres. En ambas muestras todos los parmetros del modelo son significativos y los estadsticos del multiplicador de LaGrange son nulos. El valor de la funcin de discrepancia (.130) y el parmetro de no centralidad poblacional en su estimacin puntual (.066) son muy bajos. El residuo estandarizado cuadrtico medio (RMS SR) y el error cuadrtico de aproximacin de Steiger-Lind (RMS EA) coinciden en un valor de .074 menor a .075. Los ndices gamma poblacional (PGI) y gamma ajustado (APGI) en su estimacin puntual fueron de .979 y .963, respectivamente y el ndice de no centralidad de McDonald en su estimacin puntual fue de .937. As, los tres ndices de no centralidad fueron mayores a .90. Se puede considerar que las escalas del DAT se ajustan a un modelo unidimensional en las dos muestras. Ejercicio 6. Una utilidad adicional de SEPATH es contrastar la estabilidad de una estructura correlacional sin postular factores subyacentes Compruebe la estabilidad de la matriz de correlaciones de estas 3 escalas de inteligencia, tomadas de una muestra de 120 sujetos en dos momentos distintos, usando el mtodo GLS-ML. La matriz de correlaciones de las escalas de inteligencia entre la primera y segunda aplicacin debe tomar el formato que se presenta para que sea leda por el programa. Una vez creada la matriz, la puede guardar como un archivo tipo STATISTICA Matrix file (*.smx). VER_1 VER_1 NUM_1 ABS_1 VER_2 NUM_2 ABS_2 Means Std.Dev. No.Cases Matrix 120 1 1 0.65 0.54 0.27 0.32 0.18 1 0.68 0.3 0.21 0.26 1 0.21 0.27 0.22 1 0.59 0.48 1 0.55 1 NUM_1 ABS_1 VER_2 NUM_2 ABS_2

El programa de sintaxis para definir el modelo contempla, en primer lugar, los tres pares de correlaciones de la primera muestra (tiempo 1), y se les asigna los nmeros de coeficientes del 1 al 3. En segundo lugar, se meten los tres pares de correlaciones de la segunda muestra (tiempo 2), nuevamente con los nmeros de coeficientes del 1 al 3. De este modo, se indica al programa que les corresponde los mismos parmetros libres que a las tres correlaciones anteriores. En tercer lugar, se introducen las correlaciones cruzadas de ambas muestras, a las que se les asigna los nmeros de coeficiente del 4 al 12. Finalmente, se especifica el parmetro de inicio de la correlacin de cada variable consigo misma {1.}. No se contempla ningn factor comn. [VER_1]-1-[NUM_1] [VER_1]-2-[ABS_1] [NUM_1]-3-[ABS_1] [VER_2]-1-[NUM_2] [VER_2]-2-[ABS_2] [NUM_2]-3-[ABS_2] [VER_1]-4-[VER_2] [VER_1]-5-[NUM_2] [VER_1]-6-[ABS_2] [NUM_1]-7-[VER_2] [NUM_1]-8-[NUM_2] [NUM_1]-9-[ABS_2] [ABS_1]-10-[VER_2] [ABS_1]-11-[NUM_2] [ABS_1]-12-[ABS_2] [VER_1]-{1.}-[VER_1] [NUM_1]-{1.}-[NUM_1] [ABS_1]-{1.}-[ABS_1] [VER_2]-{1.}-[VER_2] [NUM_2]-{1.}-[NUM_2] [ABS_2]-{1.}-[ABS_2]

42
Tras indicar que el tipo de datos de anlisis son correlaciones (Correlations) y escoger el mtodo de estimacin de la funcin de discrepancia (GLS-ML) en la pantalla de Analysis parameters, observamos un buen ajuste entre ambas estructuras correlacionales. El programa requiri tres iteraciones para alcanzar la solucin. Todos los elementos del modelo tienen un parmetro significativamente distinto de cero. Al no haber variables latentes, el programa no puede calcular los estadsticos del multiplicador de LaGrange asociados a las variables manifiestas, de ah que carecemos de este dato. El valor de la funcin de discrepancia fue muy bajo (.025) y el parmetro de no centralidad poblacional en su estimacin puntual result nulo (0). Los estadsticos de varianza tomaron valores muy buenos. El residuo estandarizado cuadrtico medio (RMS SR) fue de .053 y el error cuadrtico de aproximacin de SteigerLind (RMS EA) en su estimacin puntual fue nulo. Incluso por la prueba 2 de Pearson se puede mantener la hiptesis nula de ajuste del modelo terico a los datos (2=3.004, g.l.=3, p=.391) El ndice de bondad de ajuste Jreskog fue de .992 y el ajustado de .942. Mayores a .90. Los ndices gamma poblacional (PGI) y gamma ajustado (APGI) y el ndice de no centralidad de McDonald, los tres en su estimacin puntual, coinciden en el valor mximo de 1. Los tres ndices de Bentler (normado, no normado y comparativo) oscilan de .99 a 1. Podemos afirmar que la estructura correlacional es estable y que hay que ajuste perfecto entre los datos y el modelo correlacional propuesto. Ejercicio 7. Compruebe la estabilidad de una estructura unidimensional, usando el mtodo de Mxima Verosimilitud (ML), para las 3 escalas de inteligencia del ejercicio anterior, procedentes de una muestra de 120 sujetos, capturada en dos momentos distintos. Tome los datos desde la matriz correlacional. En el programa de sintaxis, primero, se define el factor general de inteligencia acadmica en la primera muestra (tiempo 1) como variable latente FG1 que determina a las variables manifiestas: VER_1, NUM_1 y ABS_1. Con los nmeros de coeficiente del 1 al 3 se indica al programa que son parmetros libres a estimar. Luego se define el mismo modelo en la segunda muestra (tiempo 2). La variable latente (FG2) determina a las variables manifiestas VER_2, NUM_2 y ABS_2. Se asigna los mismos nmeros de coeficientes, del 1 al 3, indicando que los parmetros estimados para las variables manifiestas determinadas por FG1 y FG2 deben coincidir. Sigue la definicin de las variables latentes de error como parmetros fijos que el programa no estima. Cada variable manifiesta est determinada por una variable latente de error. Con los nmeros de coeficiente del 4 al 9, se indica que al programa que estime un parmetro de varianza para cada error. Por ltimo, se introduce la correlacin entre los factores de ambas muestras (nmero de coeficiente 10). No se postula ninguna relacin entre los errores. (FG1)-1->[VER_1] (FG1)-2->[NUM_1] (FG1)-3->[ABS_1] (FG2)-1->[VER_2] (FG2)-2->[NUM_2] (FG2)-3->[ABS_2] (Error1)-->[VER_1] (Error2)-->[NUM_1] (Error3)-->[ABS_1] (Error4)-->[VER_2] (Error5)-->[NUM_2] (Error6)-->[ABS_2] (Error1)-4-(Error1) (Error2)-5-(Error2) (Error3)-6-(Error3) (Error4)-7-(Error4) (Error5)-8-(Error5) (Error6)-9-(Error6) (FG2)-10-(FG1)

Tras indicar que el tipo de datos de anlisis son correlaciones (Correlations) y escoger el mtodo de estimacin de la funcin de discrepancia (ML) en la pantalla de Analysis parameters, observamos un buen ajuste entre los datos y el modelo propuesto. La solucin convergi en la sexta iteracin. Todos los parmetros estimados fueron significativos y los estadsticos del multiplicador de LaGrange de las variables manifiestas se aproximan a cero, variando de .047 a .006. El Parmetro de no Centralidad Poblacional en su estimacin puntual fue casi nulo (.035) y el valor de la funcin de discrepancia fue bajo (.135). Los ndices de varianza que son prximos a .05. (RMS SR =.059 y RMS EA =.056). Incluso por la prueba 2 de Pearson se puede mantener la hiptesis nula de ajuste del modelo terico a los datos (2=16.024, g.l.=11, p=.140) Los ndices de bondad de ajuste de Jreskog (GFI) y el ajustado (AGFI) fueron respectivamente de.959 y .922. Los ndices de Bentler (normado, no normado y comparativo) varan de .94 a .98. Los ndices gamma poblacional (PGI) y gamma ajustado (APGI) en su estimacin puntual fueron de .988 y .978. El ndice de no centralidad de McDonald en su estimacin puntual fue de .983. Todos ellos mayores a .90 e incluso la mayora a .95. Se concluye que la estructura unidimensional entre las tres escalas de inteligencia es estable en el tiempo.

43
Ejercicio 8. Replica los ejemplos presentados en el captulo para una sola muestra con la matriz de correlaciones de los 20 elementos de la TAS-20 que a continuacin se presentan. Recuerde que para que el programa la reconozca debe mostrar el formato que se presenta. Una vez creada se puede grabar como un archivo tipo STATISTICA Matrix file (*.smx). Tambin, recuerde que no puede emplear los mtodos de estimador asinttico libre de distribucin, ya sea el graciano (ADFG) o el insesgado (ADFU), pues requieren los datos de los n sujetos en las p variables.
I1 I2 I3 I4 I5 I6 I7 I8 I9 I10 I11 I12 I13 I14 I15 I16 I17 I18 I19 I20 I1 1.000 I2 .503 1.000 I3 .161 .134 1.000 I4 .291 .536 .013 1.000 I5: .043 -.017 .118 .122 1.000 I6: .341 .363 .155 .219 .009 1.000 I7 .274 .289 .268 .167 .042 .407 1.000 I8 .113 .121 .040 .002 .082 .104 .046 1.000 I9 .414 .483 .182 .280 .084 .338 .276 .117 1.000 I10 -.014 -.003 .109 .067 .220 -.075 -.018 -.022 .074 1.000 I11 .260 .452 .046 .366 .020 .307 .202 .145 .295 -.071 1.000 I12 .314 .487 .121 .446 .099 .270 .209 .162 .310 .031 .426 1.000 I13 .445 .409 .163 .327 .039 .384 .313 .056 .489 -.038 .279 .392 1.000 I14 .387 .308 .263 .228 .110 .427 .365 .111 .364 .038 .209 .340 .458 1.000 I15 .111 .192 .108 .171 .075 .151 .156 .060 .059 .121 .144 .153 .114 .117 1.000 I16 .135 .156 .112 .086 .117 .154 .122 .142 .092 .038 .106 .122 .110 .157 .275 1.000 I17 .292 .438 .096 .416 -.025 .329 .169 .189 .323 -.047 .459 .419 .408 .292 .244 .099 1.000 I18 .105 .102 .011 .111 .116 .133 .056 .039 .098 .118 .111 .081 .108 .085 .176 .117 .163 1.000 I19 .081 .178 .125 .166 .169 .125 .092 .054 .054 .149 .115 .137 .063 .132 .184 .131 .196 .309 1.000 I20 .088 .060 .022 -.019 .151 .099 .070 .208 .129 .130 .020 .116 .081 .178 .079 .242 .062 .123 .118 1.000 Means Std Dev. No 381 381 381 381 381 381 381 381 381 381 381 381 381 381 381 381 381 381 381 381 Cases Matrix 1

44
REFERENCIAS BIBLIOGRFICAS Akaike, H. (1987), Factor Analysis and AIC, Psychometrika, 52, 317 -332. Arbuckle, J.A. (1988). AMOS User's Guide. Department of Psychology, Temple University. Bagby, R.M.; Parker, J.D.A. & Taylor G.J. (1994) The twenty-item Toronto alexithymia scale-I. Item selection and cross-validation of the factor structure. Journal of Psychosomatic Research, 38(1), 23-32. Bennett, Seashore & Wesman (1980). Pruebas de Aptitud Diferencial (DAT). Forma V: Manual del instructor. Mxico: El Manual Moderno. Bentler, P. M. (1985). Theory and implementation of EQS: A structural equations program. Los Angeles, CA: BMDP Statistical Software. Bentler, P.M. (1989). EQS Structural Equations Program Manual. Los Angeles: BMDP Statiscal Software. Bentler, P.M. & Bonett, D.G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88, 588-606. Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley. Browne, M.W. (1982). Covariance Structures. In D.M. Hawkins (ed.), Topics in Multivariate Analyses. New York: Cambridge University Press. Browne, M.W., & Cudeck, R. (1989). Single sample cross-validation indices for covariance structures. Multivariate Behavioral Research, 24, 445-455. Browne, M.W., & Mels, G. (1992). RAMONA users guide. Department of Psychology, Ohio. State University. Cudeck, R. (1989). Analysis of correlation matrices using covariance structure models. Psychological Bulletin, 105, 317-327. Flora, DB, Curran, PJ (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological methods, 9(4), 466-491. Hartmann, W. M. (1992). The CALIS Procedure Extended User's Guide Cary, N.C.: SAS Institute. Hathaway, S.R. y McKinley, J. (1967). Minnesota Multiphasic Personality Inventory: Manual for administration and scoring. New York: Psychological Corporation. James, L. R., Mulaik, S. & Brett, J. (1982). Causal analysis: Assumptions, models, and data. Beverly Hills, CA: Sage. Jreskog, K.G. (1978). Structural analysis of covariance and correlation matrices. Psychometrika, 43, 443-477. Joreskog, K.G. & Sorbom, D. (1989). LISREL 7 (2nd ed.). A Guide to the Program and Applications. Chicago: SPSS. Kaiser, H.F. (1960). The application of electronic computers to factor analysis. Educational Psychology. Measurement. 20, 141-151. McDonald, R.P. (1989). An Index of Goodness-of-Fit Based on Noncentrality. Journal of Classification, 6, 97 -103. McDonald, R.P. and Hartmann, W. (1992), A Procedure for Obtaining Initial Values of Parameters in the RAM Model. Multivariate Behavioral Research, 27, 57 -176. Mels, G. (1989). A general system for path analysis with latent variables. M.S. Thesis: Department of Statistics, University of South Africa. Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6, 461-464. Spearman, C. (1904). General intelligence objectively determined and measured. American Journal of Psychology, 15, 201-293. Steiger, J.H. & Lind, J.C. (1980), Statistically Based Tests for the Number of Common Factors. Paper presented at the annual meeting of the Psychometric Society, Iowa City, IA.