1

MODELOS ESTRUCTURALES CON VARIABLES OBSERVADAS

Carlos Camacho
Ana María López
 2

INDICE

____________________________________________________________________________

1.1.- Introducción ....................................................................................................................... 4

1.2.- Condiciones de aplicación ................................................................................................. 7
1.3.- Fases en la elaboración de un modelo ............................................................................... 8
1.3.1.- Elaboración del diagrama causal ...................................................................................... 9
1.3.2.- Tipos de relaciones ........................................................................................................ 11
1.4.- Determinación de las ecuaciones estructurales ................................................................. 14
1.4.1.- Expresión matricial de la ecuaciones estructurales ....................................................... 17
1.5.- Estimación de parámetros ................................................................................................. 22
1.6.- Significación de los parámetros ........................................................................................ 27
1.7.- Validación de modelos ..................................................................................................... 30
1.8.- Identificación de modelos ................................................................................................. 32
1.8.1.- Modelos exactamente identificados ............................................................................... 32
1.8.2.- Modelos sobreidentificados ........................................................................................... 34
1.8.3.- Modelos subdentificados ............................................................................................... 37
1.9.- Aplicación informática ..................................................................................................... 39
1.10.- Introducción .................................................................................................................... 39
1.11.- Modelo exactamente identificado ................................................................................... 39
1.12.- Modelo sobreidentificado ............................................................................................... 45
1.12.1.- Modelo A...................................................................................................................... 46
1.12.1.- Modelo B ..................................................................................................................... 51

Bibliografía ............................................................................................................................... 55
____________________________________________________________________________
 3

1.- Introducción

Hasta ahora los modelos estudiados de regresión corresponden a la ecuación general:

Y = b0 + b1X1 + b2X 2 + L L + bkX k

Cuya estructura de relación es:

e
X1
r21

rk1 X2 Y

rk2 M

Xk

Figura 1.1

Se observa que existen k variables independientes y una única variable dependiente. La

variable Y queda explicada por las distintas variables X, como se refleja en la flecha
unidireccional, mientras que las X presentan flechas bidireccionales, indicándose que las
correlaciones entre ellas muestran tan sólo covariación o concomitancia y no el sentido de
explicación o producción.

Aunque este tipo de modelos es ampliamente utilizado, adolece de una cierta simplicidad en
su estructura. Más realista resultan otros planteamientos donde se entremezclan variables
dependientes e independientes, donde ciertas variables que explican son a su vez, explicadas
por otras, constituyéndose de esta forma cadenas de causa-efecto que evidentemente se
acomoda mejor a la naturaleza de los fenómenos. Supongamos, en este sentido, que
deseamos estudiar la incidencia que sobre el Exito profesional (Y) tienen las variables: Nivel
de estudios (X1 ), Clase social (X2 ) e Inteligencia (X3 ). Si aplicásemos el modelo de
Regresión múltiple utilizado hasta ahora, tendríamos la siguiente estructura de relación:

e
X1
r21

r31 X2 Y

r32

X3

Figura 1.2
 4

No obstante, pueden plantearse otras alternativas. Si suponemos que la Clase social y el Nivel
de estudios son los condicionantes de la Inteligencia, que a su vez, es la que determina el
Éxito profesional, tendremos la siguiente estructura:

e e

X1

r21 X3 Y

X2

Figura 1.3

O bien, podemos suponer, que el Nivel de estudios ejerce un efecto exclusivo sobre la
Inteligencia, mientras que la Clase social afecta, por un lado, independientemente sobre el
Éxito profesional y, por otro, a través e la Inteligencia. Según esta lógica el diagrama sería:

e e

X1

r21 X3 Y

X2

Figura 1.4

Con estas variables podríamos sugerir otros muchos modelos alternativos, cosa que no haremos
para no aburrir al lector. No obstante, dejamos en sus manos, como ejercicio intelectual, la
búsqueda de algún otro modelo que estime más razonable.

Los modelos aquí tratados reciben en la literatura estadística el nombre genérico en inglés de
Path Analysis. Fue desarrollado en sus orígenes con este nombre por Sewall Wright (1921) en
el campo de la biología. Podemos traducir la palabra "path" como "camino", "vía" o
"sendero". En castellano el término Path Analysis quedaría traducido como Análisis de caminos
(vías o senderos) por cuanto en estos modelos se especifican los caminos por donde se cursan las
relaciones de influencia entre unas variables y otras. Obsérvese a título de ejemplo, las figuras
1.3 y 1.4 cómo el hecho diferencial entre ambas radica precisamente en el conjunto flechas o
relaciones establecidas.
 5

Por nuestra parte preferimos denominar a este tipo de modelos modelos estructurales con
variables observadas. Decimos "modelos estructurales" por cuanto el conjunto de conexiones o
relaciones puede entenderse como la estructura de relación establecida entre las variables. Nos
parece un término más genérico y clarificador de lo que se quiere expresar. Decimos "con
variables observadas" para distinguirlo de otros tipos de modelos de mayor complejidad
donde se trata además variables no observables o latentes.

No obstante, y a nuestro pesar, utilizaremos el término Path análisis (mescolanza de inglés y

español), que es la forma más usual de referirse a tales modelos en nuestro pais. Hemos de decir
a este respecto, que el Path análisis se considera un submodelo del LISREL (LInear Structural
RELationship), de propósito más general, que contempla casuísticas tales como error de medida
y variables latentes, que no trataremos por el momento. En estas páginas trataremos el Path
análisis desde la perspectiva LISREL.

Este tipo de modelos se encuentran también en la literatura con el nombre de modelos

causales por cuanto parece determinarse, por la estructura de relación establecida, las
variables causa y las variables efecto. A este respecto, convienen indicarse (aunque sobre este
punto nos extenderemos más adelante) que este tipo de modelos no sirve para "detectar" las
causas de un cierto fenómeno, sino más bien su objetivo es bastante más limitado; el
investigador propone, según su especial conceptualización del fenómeno estudiado, una
determinada estructura de relación. Todo el aparato estadístico consecuente sirve tan sólo para
mostrar la viabilidad del modelo propuesto con la información de partida(matrices de
varianzas-covarianzas o de correlaciones) sin que con ello se descarten otros posibles modelos,
igualmente viables.

En las siguientes páginas profundizaremos en estas ideas. Expondremos, en primer lugar, las
condiciones de aplicación existentes sobre los modelos de Path análisis. A continuación
desarrollaremos las distintas fases en el proceso de elaboración de un determinado modelo. Por
último, discutiremos el problema de la identificación de los modelos y del ajuste de los
mismos a la realidad estudiada.

1.2.- Supuestos del modelo

Si se entiende el Path análisis como una extensión del modelo de Regresión múltiple
mantendrá las mismos supuestos de aplicación que este tipo de modelos, ya estudiados. Otras
condiciones derivadas de su mayor complejidad habrán de especificarse. Destacamos las
más relevantes:

a) Relación lineal ente las variables. Condición de linealidad.

b) Las variables independientes afectan a la variable dependiente de forma aditiva. Sus

efectos se suman. Condición de aditividad

c) Los modelos han de ser recursivos. Esto implica que la causalidad fluye en
una única dirección, descartándose causalidad recíproca entre dos variables.
 6

d) Incorrelación de los errores. Esta condición es doble. Por un lado los errores no
deben correlacionar con las variables independientes. Esto es:

reixi = 0

Y por otro lado, los errores no deben correlacionar entre sí. Es decir:

reiej = 0

e) Se opera con variables observadas. Esta condición ya ha sido especificada. En cierto

sentido no debería mencionarse ya que hasta ahora hemos trabajado con este tipo de
variables. Sin embargo, desde la perspectiva general de los modelos
estructurales ocupa un lugar relevante los modelos con variables latentes. Por esta
razón, desde este enfoque, esta restricción tiene su importancia. Por otro lado, una
variable observada implica que ha sido medida directamente sin error.

1.3.- Fases en la elaboración de un modelo

Exponemos a continuación los momentos más relevantes en la elaboración de un

modelo estructural basado en el Path análisis. A saber:

a) Elaboración del diagrama causal

b) Determinación de las ecuaciones estructurales
c) Estimación de los parámetros del modelo
d) Ajuste del modelo a la realidad

1.3.1.- Elaboración del diagrama causal

El primer paso, aunque no estrictamente necesario, consiste en expresar gráficamente la

estructura de relación concebida por el investigador. Tiene interés porque es una primera
aproximación -sencilla- que permite una cierta conceptualización del fenómeno a estudiar.

Los gráfico utilizados se denominan diagramas causales o también diagramas path, por
cuanto se especifican en ellos los caminos a seguir en las relaciones de influencia. Básicamente
consiste en situar las diferentes variables y unirlas por flechas según la dirección de la
relación indicada. A este respecto, tomemos la figura 1.4 y completémosla de acuerdo
con la lógica de los diagramas causales. Tendremos:
 7

ζ1
ζ2

X1

γ 11
β 21
φ 21 Y1 Y2
γ 12

X2 γ 22

Figura 1.5

Se distinguen variables exógenas y endógenas. Las variables exógenas (o también,

predeterminadas) son aquellas que se encuentran en el límite del modelo. En otro contexto
es lo que conocemos como variables explicativas o independientes. Transmiten su
variabilidad al interior del modelo, pero queda sin especificar la fuente de variación que da
lugar a ellas. Son "causa", en sentido restringido, en la medida que explican -hasta cierto
punto- el comportamiento del sistema. En la figura 1.5 las variables X1 y X2 son variables
exógenas.

Por el contrario, las variables endógenas se caracterizan por quedar explicada su variabilidad
en términos de otras variables (exógenas o endógenas a su vez) Son lo que en otro
contexto hemos denominado variables explicadas o dependientes. Son "efecto" de ciertas
variables, aunque a su vez, pueden hacer el papel de "causa" de otras. En la figura 1.5
corresponden a las variables Y1 e Y2 . Se observa que la variable Y1 es causa de Y2 , pero que
a su vez es causada por X1 y X2 . Hace el papel de variable independiente y dependiente
simultáneamente.

Observamos, de esta forma, que la notación es diferente bien se trate de variables exógenas o
endógenas. Para las primeras se utiliza genéricamente la terminología Xi , y para las
segundas, Yi . Por otro lado, las variables endógenas van ordenadas de menor a mayor según
el grado de proximidad que presenten respecto a las variables exógenas. Aquellas variable
endógenas que son explicativas de otras variables endógenas tendrán menor rango que
aquellas variables que son exclusivamente explicadas. En el gráfico anterior se contempla
que la variable Y1 , aunque endógena, es a su vez explicativa de Y2 , que no afecta a ninguna
otra variable; por esta razón, la primera tiene un subíndice menor que la segunda.

El efecto de las variables exógenas sobre las variables endógenas viene indicado por los
parámetros γ ji (gamma). El primer subíndice expresa la variable receptora Yj, y el segundo
subíndice, la variable emisora Xi . En relación a las variable endógenas, el efecto entre ellas
viene reflejado por los parámetros β ji (beta) cuya interpretación en cuanto a los subíndices es
equivalente a la expresada anteriormente con γ ji ; esto es, β ji muestra el efecto de la variable Yi
sobre Yj.
 8

Las variables exógenas carecen de efectos entre ellas, ya que no se conciben como causadas
por ninguna otra. Por esta razón, la relación que puedan mantener con otra variable exógena
queda expresada por su coeficiente de correlación sobre una línea curva con flechas en sus dos
extremos. Se indica con ello que la relación no se analiza, y que entre ellas existe tan sólo
covariación, sin que se especifique la fuente de variabilidad. Esta es la relación existente entre
las variables X1 y X2 .

Aquí, las correlaciones entre las variables exógenas se especifican mediante φ ji (phi). Ya
que en este caso se supone que las variables Xj y Xi comparten información sin que haya
ninguna relación de causalidad entre ellas, el primer y el segundo subíndice hacen referencia a
tales variables sin que haya ningún orden establecido; esto es, hubiera sido igualmente válido
φ ji . Hay que decir que cuando operamos con puntuaciones directas los valores φ ji hacen
referencia a las covarianzas entre las variables exógenas. En estos casos tiene sentido mencionar
φ ii como la varianza de la variable Xi.

Por lo que respecta a los término de error, se denominan ζ i (zeta), coincidiendo el subíndice
con el de la variable Yj a la que afecta dicho error. Por el momento no nos extenderemos más
sobre los distintos parámetros. Ya hablaremos más adelante de los tipos de matrices en que
pueden utilizarse para mencionar tales parámetros, y cómo de la estructura de dichas matrices
pueden deducirse, a su vez, la estructura de los diferentes modelos de Path análisis.

1.3.2.- Tipos de relaciones

Aunque este aspecto será desarrollado más adelante desde una perspectiva matemático-formal,
pasaremos a exponer en una primera aproximación, al hilo de los gráficos que nos proporciona
los diagramas causales, los distintos tipos de relaciones o efectos que pueden establecerse
entre las variables que conforman un modelo estructural. Estos posibles efectos son:

a) Efecto directo
b) Efecto indirecto
c) Efecto conjunto
d) Efecto espúreo

a) Efecto directo

El efecto directo hace referencia al existente entre las variables que se encuentran en ambos
extremos de una determinada flecha. Por ejemplo, en base a la figura 1.5, algunas de las
relaciones de tipo directo serían: a) la existente entre el Clase social (X2 ) y la Inteligencia
(Y1 ):

Y1
γ 12

X2

Figura 1.6
 9

Y el efecto que mantiene la Inteligencia (Y1 ) con el Éxito profesional (Y2 ):

β 21
Y1 Y2

Figura 1.7

b) Efecto indirecto

Existe efecto indirecto entre dos variables cuando una de ellas ejerce influencia sobre la otra a
través de una o más variables intermedias. Por ejemplo, en el caso que estamos tratando, el
Clase social (X2 ) ejerce un efecto indirecto sobre el Éxito profesional (Y2 ) a través de la
Inteligencia (Y1 ). Esto es:

β 21
Y1 Y2

X2

Figura 1.8

c) Efecto conjunto

Hace referencia a aquellas variables exógenas que presentan covariación (una flecha curva
uniendo dichas variables con puntas en ambos extremos), donde no puede establecerse
claramente en qué dirección se encamina la relación de influencia. Cuando algún recorrido se
realiza a través de esta flecha curva, decimos que el efecto es conjunto (entre las variables de
ambos extremos de la flecha) al no poder especificar la relación existente entre ambas variables.
Un caso de efecto conjunto es el que ejerce la variable Nivel de estudios (X1 ) sobre la
Inteligencia (Y1 ) cuando involucramos la variable Clase social (X2 ):

X1

φ 21 Y1
γ 12

X2

Figura 1.9
 10

d) Efecto espúreo

Existe efecto espúreo entre dos variables cuando la covariación existente entre ambas es
debida a una causa común. Un ejemplo clásico de relación espúrea es la que se presentan
cuando sobre una muestra de niños de diferentes edades se estudia la relación entre
Estatura e Inteligencia, donde sucede que la variable Edad es la causa de las dos variables
anteriores. El gráfico de relación es:

Estatura

Edad

Inteligencia

Figura 1.10

En el caso que estamos tratando, toda la relación entre Inteligencia (Y1 ) y Éxito Profesional
(Y2 ) que no es efecto directo, es efecto espúreo. Esto es, si descartamos el camino:

β 21
Y1 Y2

Figura 1.11

todos los demás caminos entre ambas variables serán efectos espúreos al ser debidos a causas
comunes. Por ejemplo:

Y1 Y2
γ 12

X2
γ 22

Figura 1.12

Y también:
X1

γ 11
φ 21 Y1
Y2

X2
γ 22
Figura 1.13
 11

1.4.- Determinación de las ecuaciones estructurales

Los modelos estructurales contemplan varias variables dependientes. En consecuencia,

podremos expresar cada una de ellas en función de sus respectivas variables independientes.
Así, en relación al modelo que estamos tratando:

y 1 = γ 11x1 + γ 12x 2 + ζ 1
y 2 = β 21y1 + γ 22x2 + ζ 2
(1.1)

Así pues, se observa que deben haber tantas ecuaciones como variables endógenas contenga el
modelo. Por otro lado, en cada ecuación participan las variables exógenas directamente ligadas
con la variable endógena a explicar.

Ejemplo 1.1.- Un investigador maneja dos posibles hipótesis en el estudio de la relación

entre Ingresos, Nivel educativo y Prestigio Social: a) Los Ingresos determinan el Nivel
educativo y éste el Prestigio social, y b) El nivel educativo determina los Ingresos y el
Prestigio social.

Esto supuesto, dibujar los diagramas causales correspondientes a ambas hipótesis, así como sus
ecuaciones estructurales. Especifica, en cada uno de los modelos, el tipo de relación existente
entre las variables Ingresos y Prestigio social.

SOL:

a) Utilicemos la siguiente nomenclatura:

X1 : Ingresos
Y1 : Nivel educativo,
Y2 : Prestigio social

Según la primera hipótesis el diagrama causal correspondiente será:

ζ1 ζ2

γ 11 β 21
Y2
X1 Y1

Figura 1.14
 12

Y sus ecuaciones estructurales:

y 1 = γ 11 x1 + ζ 1
y 2 = β 21 y 1 + ζ 2

Se observa, en base a la figura 1.14 que los Ingresos (X1 ) ejercen un efecto indirecto sobre el
Prestigio social (Y2 ).

b) En relación a la segunda hipótesis, utilizaremos la siguiente nomenclatura:

X : Nivel educativo
Y : Ingresos
Y : Prestigio social

Cuyo diagrama causal será:

γ 11 Y1 ζ2

X1

Y2 ζ2
γ 21

Figura 1.15

Y las ecuaciones correspondientes:

y 1 = γ 11 x1 + ζ 1
y 2 = γ 21 x1 + ζ 2

Como se observa, el efecto de la variable Ingresos (Y1 ) sobre Prestigio social (Y2 ) es un efecto
espúreo, ya que la relación entre tales variables viene mediatizada por el Nivel educativo
(X1 ) que es la variable causante de ambas.

1.4.1.- Expresión matricial de la ecuaciones estructurales

Una de las ventajas del LISREL (que supone un cierto esfuerzo al principio) reside en que
obliga a definir las matrices con las que se va a trabajar. A partir del conocimiento de éstas es
posible deducir la estructura de relación del modelo causal. Por estas razones conviene
familiarizarse con este tipo de matrices en aras de una mayor comprensión del modelo.
 13

Retomando el modelo expresado en la figura 1.5, tenemos, como se sabe, que sus ecuaciones
correspondientes son:
y 1 = γ 11x1 + γ 12x 2 + ζ 1
y 2 = β 21y1 + γ 22x2 + ζ 2
(1.2)

Si en estas ecuaciones reflejamos todas las variables del sistema, y no únicamente aquellas que
presentan enlaces, tendremos, entonces:

y 1 = 0 y1 + 0 y 2 + γ 11 x 1 + γ 12 x 2 + ζ 1
y 2 = β 21 y 1 + 0 y 2 + 0 x1 + γ 22 x 2 + ζ 2
(1.3)

En notación matricial:

 y1   0 0   y1  γ 11 γ 12   x1  ζ 1 
 y  = β +
0   y 2  0
+
γ 22   x2  ζ 2 
 2   21
(1.4)

En términos generales, si tenemos p variables endógenas y q variables exógenas, podremos

expresar en forma compacta, la estructura de relación:

y = Βy + Γx + ζ
(1.5)
donde:
y ( p*1) : vector constituido por las p variables endógenas
Β ( p*p ) : matriz de coeficientes β
x (q*1) : vector constituido por las q variables exógenas
Γ( p*q ) : matriz de coeficientes γ
ε ( p*1) : vector constituido por los p términos de error

Además de estas matrices, se suelen incorporar algunas más que añaden carácter explicativo al
modelo. En este sentido, recordemos la matriz Φ (Phi) que especifica las correlaciones entre
las variables exógenas, y que es conveniente para conocer el grado de relación entre ellas. Por
otro lado, hemos de añadir una nueva matriz, la matriz Ψ (Psi), que expresa las correlaciones
entre los términos de error. Aunque los modelos que estamos tratando son una restricción del
planteamiento LISREL general y no se contemplan correlaciones entre distintos términos de
error, sin embargo sí es interesante conocer los elementos de la diagonal de la matriz Ψ , que
hacen referencia a las distintas proporciones de variación no explicadas ligados a los diferentes
errores.
 14

De esta forma, en relación al modelo que estamos tratando, sus matrices relevantes, explicativas
del modelo en cuestión, serían:

Donde las diferentes matrices a considerar serán:

0 0 γ γ 12  φ  ψ 0 
Β= Γ =  11 Φ =  11 Ψ =  11
 β 21 0  0 γ 22  
φ 21 φ 22  0 ψ 22 

Ejemplo 1.2.- Tengamos el siguiente diagrama causal:

ζ1

X1

γ 11
φ 21 Y1

γ 12

X2

Figura 1.16

Calcular: a) la ecuación estructural de dicho modelo, y b) las matrices que lo conforman.

SOL:

La ecuación estructural será:

y 1 = γ 11x 1 + γ 12 x 2 + ζ 1

Y las matrices correspondientes:

φ
Γ = [γ 11 γ 12 ] Φ = φ11 
φ 22  Ψ = [ψ 11 ]
 21
 15

Ejemplo 1.3.- Tengamos el siguiente diagrama causal:

ζ1 ζ2

γ 11 β 21
Y2
X1 Y1

Figura 1.17

Calcular: a) ecuaciones estructurales, y b) las matrices de dicho sistema.

SOL:

Las ecuaciones del sistema serán:

y 1 = γ 11x 1 + ζ 1
y 2 = β 21y 1 + ζ 2

En notación matricial:

0   y1  γ 11 
y 1  = 0
y 2   β 21
[ ] ζ 1 
0   y 2  + 0  x1 + ζ 2 

Y las matrices correspondientes:

γ φ ψ
Β =  β
0
Γ =  011  Φ = φ11  Ψ = 0 11
0 0 
 21 0     21 φ 22   ψ 22 

Ejemplo 1.4.- Dada las siguientes matrices que configuran un determinado sistema:

φ11 
γ γ 12 γ 13  ψ
Β =  β
0
Γ = 011 Ψ = 0 11
0 0 
0  0  Φ = φ 21 φ 22 
ψ 22 
 21  0 φ φ 32 φ 33  
 31

Determinar la estructura del modelo al que hacen referencia.

 16

SOL:

Por la matriz ? Β se deduce que es un modelo compuesto por las variables endógenas
Y1 e Y2 Por la matriz ? Γ y Φ sabemos que hay tres variables exógenas: X1 , X2 y X3 .
Además, por la matriz Γ ?deducimos que sólo es afectada la variable Y1 por las distintas
variables exógenas. Por último, la matriz Ψ nos indica que los errores están
incorrelacionados. Por tanto, la estructura del modelo será:

ζ1 ζ2
X1 γ 11

φ 21
γ 12 β 21
φ 31 X2 Y Y

φ 32 γ 13
M

Xk

Figura 1.18

1.5.- Estimación de parámetros

La estimación de parámetros exige que el modelo cumpla previamente la condición de

identificación; esto es, que el sistema de ecuaciones elaborado en el cálculo de los
parámetros -incógnitas a determinar- sea igual o superior al número de tales incógnitas. En este
apartado daremos por supuesto que tal condición de identificación queda satisfecha y nos
limitaremos, en consecuencia, al procedimiento de cálculo en la estimación de los
parámetros. Dejaremos para más adelante el problema de la identificación, que por su interés
merece un tratamiento aparte, y que en nuestra opinión exige una cierta familiaridad con el
path análisis.

Se utilizan dos procedimientos en la estimación de los parámetros de un determinado modelo: a)

la primera ley y b) la regla del trazado. La primera ley ofrece un planteamiento riguroso,
válido para cualquier tipo de modelos (recursivos y no recursivos), mientras que la regla del
trazado, de carácter intuitivo, sólo es válido para modelos recursivos.

Aquí nos limitaremos a tratar la ley del trazado, que permite igualmente determinar los
parámetros del modelo. Se considera una regla intuitiva, no matemática, aunque puede
demostrarse su coincidencia con la primera ley del path análisis. La regla del trazado indica
que la correlación entre dos variables equivale a la suma de todos los posibles efectos entre
ambas variables (efectos directos, indirectos, conjuntos y espúreos). Por otro lado, los efectos se
miden mediante los productos entre todos los coeficientes "path" existentes en los distintos
caminos que puedan establecerse dos variables dadas. Por ejemplo, tomemos como referencia
la estructura de relación del siguiente modelo:
 17

ζ1
ζ2

X1 γ 21

γ 11
β 21
φ 21 Y1 Y2
γ 12

X2 γ 22

Figura 1.19

Considerando que entre las variables X1 y X2 no existe relación de causalidad, y por tanto,
sólo se considera la correlación entre ellas, tendremos que la reproducción de los distintos
coeficientes de correlación mediante la regla del trazado será:

r y 1x1 = γ 11 + γ 12φ 21
ED EC

(1.6)
Se contempla un efecto directo (ED) a través de γ 11 :

X1 γ 11

Y1 Y2

X2

Figura 1.20

Y un efecto conjunto con X (EC) a través de γ 12φ 21 :

X1

φ 21 Y1 Y2
γ 12

X2

Figura 1.21
 18

Para reproducir ry1x2 se observa una situación equivalente que en ry1x1 . Existe un efecto directo
proporcionado por γ 12 y un efecto conjunto en el producto γ 11φ 21 :

r y 1x 2 = γ 12 + γ 11φ 21
ED EC
(1.7)

Efecto directo ( γ 12 ):

X1

Y1 Y2
γ 12

X2

Figura 1.22

Efecto conjunto ( γ 11φ 21 ):

X1

γ 11
φ 21 Y1 Y2

X2

Figura 1.23

En relación a ry2 x1 :
r y 2 x 1 = γ 21 + γ 22φ 21 + β 21γ 11 + β 21γ 12φ 21
ED EC EI EC
(1.8)
 19

Efecto directo ( γ 21 ):

X1 γ 21

Y1 Y2

X2

Figura 1.24

Efecto conjunto ( γ 22φ 21 ):

X1

φ 21 Y1 Y2

X2 γ 22

Figura 1.25

Efecto indirecto ( β 21γ 11 ):

X1

γ 11
β 21
Y1 Y2

X2

Figura 1.26
 20

Efecto conjunto ( β 21γ 12φ 21 ):

X1

β 21
φ 21 Y1 Y2
γ 12

X2

Figura 1.27

En relación a ry2 x2 :
ry 2 x2 = γ 22 + γ 12φ 21 + β 21γ 12 + β 21γ 11φ 21
ED EC EI EC
(1.9)

Efecto directo ( γ 22 ):

X1

Y1
Y2

X2 γ 22

Figura 1.28

Efecto conjunto ( γ 21φ 21 ):

X1 γ 21

φ 21 Y1 Y2

X2

Figura 1.29
 21

Efecto indirecto ( β 21γ 12 ):

X1

β 21
Y1 Y2
γ 12

X2

Figura 1.30

Efecto conjunto ( β 21γ 11φ 21 ):

X1

γ 11
β 21
φ 21 Y1 Y2

X2

Figura 1.31

En relación a ry2 y1 :
r y 2y 1 = β 21 + γ 12 γ 11 + γ 22γ 12 + γ 21φ 21γ 12 + γ 22φ 21γ 11
ED EE EE EE EE

(1.10)
Efecto directo ( β 21 )

X1

β 21
Y1 Y2

X2
Figura 1.32
 22

Efecto espúreo ( γ 21γ 11 ):

X1 γ 21

γ 11
Y1 Y2

X2

Figura 1.33

Efecto espúreo ( γ 22γ 12 ):

X1

Y1 Y2
γ 12

X2 γ 22

Figura 1.34

Efecto espúreo ( γ 21φ 21γ 12 ):

X1 γ 21

φ 21 Y1 Y2
γ 12

X2

Figura 1.35
 23

Efecto espúreo ( γ 22φ21γ 11 ):

X1

γ 11
φ 21 Y1
Y2

X2 γ 22

Figura 1.36

Como consecuencia de ello, tras haber aplicado la regla del trazado obtendremos el siguiente
sistema de ecuaciones:

rx 2x1 = φ 21
ry1x1 = γ 11 + γ 12φ 21
ry1x2 = γ 12 + γ 11φ 21
ry 2x1 = γ 21 + γ 22φ 21 + β 21γ 11 + β 21γ 12φ 21
ry 2x 2 = γ 22 + γ 21φ 21 + β 21γ 12 + β 21γ 11φ 21
ry 2y 1 = β 21 + γ 12 γ 11 + γ 22γ 12 + γ 21φ 21γ 12 + γ 22φ 21γ 11

Obsérvese que disponemos de seis ecuaciones, cuyos valores nos lo ofrecen las distintas
correlaciones, y seis incógnitas -los seis parámetros del modelo-, por lo que dicho sistema
será resoluble y tendrá solución única -modelos exactamente identificados-. Ya veremos en el
próximo apartado que pueden plantearse otras alternativas, tal como más ecuaciones que
incógnitas -modelos sobreidentificados- o bien menos ecuaciones que incógnitas -modelos
subidentificados-.

Además de los parámetros mencionados se suelen calcular los valores ψ ii correspondientes a

las diferentes proporciones de variación no explicada de las distintas variables endógenas del
modelo. Así, en este modelo:

ψ 11 = 1 − R y21.x1x2
ψ 22 = 1 − R y22 .y1x1x2

En relación a los valores de R2 puede demostrarse que su valor corresponde a la suma de

las correlaciones de todas las variables que inciden sobre la variable endógena en cuestión
por el valor de los coeficientes estandarizados que ligan estas mismas variables. De esta
forma tenemos:

(
ψ 11 = 1 − R y21.x1x2 = 1 − γ 11ry1x1 + γ 12ry1x2 )
(
ψ 22 = 1 − R y2 2.y1x1x 2 = 1 − γ 21ry 2 x1 + β 21ry 2 y1 + γ 22ry 2x 2 )
 24

Ejemplo 1.5.- Un determinado investigador desea estudiar las relaciones existentes entre las
variables Inteligencia (X1 ), Clase social (Y1 ) y Rendimiento (Y2 ). Para ello propone el
siguiente modelo:

X1
γ 21 ζ2

γ 11

ζ1 Y1 β 21 Y2

Figura 1.37

Las correlaciones observadas son:

ry1x1 = 0. 5 ry 2 x1 = 0. 8 ry 2y 1 = 0 . 6

Esto supuesto, determinar: a) las ecuaciones estructurales, b) los parámetros del modelo y, c)
los distintos efectos y su cuantificación.

a) Las ecuaciones estructurales serán:

y 1 = γ 11x1 + ζ 1
y 2 = β 21 y 1 + γ 21x1 + ζ 2

b) Para determinar sus parámetros, apliquemos la regla del trazado:

ry 1x1 = γ 11
ry 2 x1 = γ 21 + γ 11 β 21
ry 2 y 1 = β 21 + γ 11γ 21

Según las correlaciones obtenidas tendremos:

γ 11 = ry1x1 = 0 .5

Y en relación a β 21 y γ 21 :
0 .8 = γ 21 + 0 .5 β 21
0 .6 = β 21 + 0.5γ 21
 25

Haciendo operaciones:

β 21 = 0 .267 γ 21 = 0.667

En relación a ψ 11 y ψ 22 :

ψ 11 = 1 − R y2 2.x1 = 1 − γ 11ry1x1 = 1 − 0 .5 2 = 0 .75

( )
ψ 22 = 1 − R y2 2.y1x1 = 1 − γ 21ry 2 x1 + β 21ry 2 y1 = 1 − (0 .667 * 0 .8 + 0.267 * 0.6 ) = 0 .307

De esta forma, el diagrama causal quedaría:

X1
0.667 ζ2

0.5
0.307

ζ1 0.75 Y1
0.267 Y2

Figura 1.38

c) En relación a las variables X1 e Y1 sólo se contempla un efecto directo:

r y 1x 1 = γ 11 = 0 . 5

En relación a las variables X1 e Y2 , se contemplan un efecto directo y otro indirecto:

ry2 x1 = γ 21 + γ 11 β 21 = 0 . 8
ED = 0 . 667 EI = 0 . 5 * 0. 267 = 0 . 134

Y en relación a Y1 e Y2 , se contemplan un efecto directo y otro espúreo:

ry2 y 1 = β 21 + γ 11γ 21 = 0 . 6
ED = 0. 267 EE = 0 . 5 * 0 . 667
 26

Ejemplo 1.6.- Tengamos las variables A, B , C y D relacionadas según la siguiente estructura:

C
A

D
B

Utilizando nomenclatura LISREL reelabora el anterior diagrama causal y expresa la correlación

entre las variables A y D mediante la regla del trazado.

SOL:

El diagrama causal utilizando terminología LISREL será:

Y2 ζ2
X1 γ 21
β 32

γ 11 β 21
ζ3
Y3
β 31
Y1
B
ζ1

Figura 1.40

Aplicando la regla del trazado para determinar la correlación entre Y3 y X1 :

ry3 x1 = γ 11β 31 + γ 11β 21 β 32 + γ 21β 32

Se observa que todos son efectos indirectos.

 27

1.6.- Significación de los parámetros

Una vez estimados los parámetros interesa conocer la significación de los mismos; esto es,
si se cumplen las relaciones establecida por el investigador. Pudiera ocurrir que uno o
varios de los coeficientes path no fueran estadísticamente diferentes de cero, con lo que los
enlaces que ligan determinadas variables pudieran eliminarse simplificándose con ello el
modelo.

El planteamiento de la significación de los parámetros ha de situarse, no obstante, en el

contexto -más amplio- de la bondad de ajuste del modelo establecido. Aquí, como en el
modelo de la regresión múltiple existe un doble cometido. Por un lado se procede a un
análisis global que permita comprobar si un determinado modelo da cuenta de una
proporción significativa en cuanto variabilidad de la realidad estudiada. Por otro lado, se
realiza un análisis en detalle para cada uno de los coeficientes path a efectos de comprobar
si la relación específica establecida es correcta o no. Ambos tipos de análisis son
complementarios y convienen realizarse. Globalmente un modelo puede ser aceptable y sin
embargo esconder deficiencias concretas que induzcan a conclusiones graves.

La primera cuestión -la validez global del modelo- será tratada más adelante. Por su
importancia y porque obliga a profundizar en otros aspectos tales como los relacionados
con los problemas de identificación, preferimos darle un trato aparte.

Conviene indicar que la elaboración de un modelo es un proceso dinámico que

frecuentemente no acaba con la realización de un único modelo. Lo habitual es que éstos
se vayan puliendo hasta que el investigador logre un cierto grado de satisfacción. Esta labor
implica tanto desechar relaciones no significativas y repetir el modelo eliminando
ciertos enlaces, como tantear relaciones donde originalmente no hayan sido contempladas, a
efectos de comprobar si efectivamente no fueron necesarias en un principio. Al final, cuando se
haya logrado un cierto ajuste global aceptable, al mismo tiempo que todas y cada una de las
relaciones sean factibles, podremos dar por concluido el modelo.

La comprobación de la significación de los coeficientes path sigue la misma lógica, ya

conocida, de la significación de los coeficientes de regresión estandarizados. Se trata de
aplicar la prueba t de Student a efectos de comprobar si un determinado coeficiente path
procede una población caracterizada por un valor igual a cero. Como se recuerda, en la
regresión múltiple:

βi − 0 βi
t= =
S βi S βi

Siendo:

1 − R2
S βi = q
N − k − 1 jj
 28

En los modelos estructurales tendremos igualmente sobre un determinado parámetro, por

ejemplo γ ij :
γ ij − 0 γ ij
t= =
S γ ij Sγ ij
Siendo:

1 − R2 ψ ii
Sγ ij = q jj = q jj
N − k −1 N − k −1
donde:

ψ ii : Proporción de variabilidad no explicada de la variable endógena Yi

N : Número de sujetos de la muestra
k : Número de variables que inciden sobre la variable endógena
qjj : Elemento j de la diagonal de la matriz R-1 formada por las variables que afectan a la
variable endógena mencionada.

El valor de t obtenido se compara con el valor de las tablas de la t de Student para N-k-1
grados de libertad y el nivel α correspondiente. Esto es: t(N −k −1,α) . Si el valor de t es superior,
se rechaza la Hipótesis nula al nivel de significación α ; el coeficiente γ ij es
significativamente distinto de cero. Por el contrario, si el valor de t es igual o inferior, nada
se opone a aceptar la Hipótesis nula. Mejor que esto, recurrir a las tablas on-line, donde se nos
indica la probabilidad exacta de que ocurra tal acontecimiento desde la perspectiva de la
Hipótesis nula.

Ejemplo 1.7.- Suponiendo que hemos trabajado con una muestra de 100 sujetos, determinar
la significación de los coeficientes path del ejemplo 1.5.

SOL:

Como se recuerda, el modelo era:

X1
γ 21 ζ2

γ 11

ζ1 Y1 β 21 Y2

Figura 1.41
 29

En relación a γ 11 :

ψ 11
Sγ 11 = q
N − k − 1 11

Como sólo hay una variable independiente:

Diag (R-1 ) = 1-1 = 1

Así pues:

ψ 11 0 .75
Sγ 11 = q = *1 = 0.087
N − k − 1 11 98

Por tanto:

γ 11 0. 5
t= = = 5.715
S γ 11 0. 087

Buscando en las tablas:

t(98,0.05) = 1.96 .

El valor de t obtenido es superior al de las tablas, luego puede considerarse γ 11 = 0.5 como
significativamente diferente de cero. Si recurrimos a las tablas on-line, para un valor de t=5.715
y 98 grados de libertad, su probabilidad asociada es inferior a 0.00001.

Para determinar γ 21 y β 21 calculemos en primer lugar R-1 :

−1
− 0.667 
R −1 = 0.5 1  = − 0 .667
1 0.5 1 .333
   1.333 

Luego:
ψ 22 0 .307
Sγ 21 = q 11 = * 1.333 = 0 .065
N − k −1 97

ψ 22 0 .307
S βγ 21 = q = * 1.333 = 0.065
N − k − 1 22 97
 30

Calculemos los valores de t:

γ 21 0.667
t1 = = = 10.321
Sγ 21 0.065

β 21 0.267
t2 = = = 4.128
Sβ 21 0.065

Buscamos en las tablas para:

t(97,0. 05) = 1.96 .

Se deduce que ambos coeficientes son estadísticamente significativos.

1.7.- Validación del modelo

Veremos en este apartado alguna de las técnicas estadísticas que permiten comprobar la
adecuación de un modelo a la realidad estudiada. La validación de un modelo guarda una
estrecha relación con la significación de los coeficientes, estudiado en el apartado anterior.
Aquí se contrasta en una única prueba la totalidad del modelo mientras que en el caso de los
coeficientes se contrastaba en diferentes pruebas la significación estadística de cada uno de
tales coeficientes. Ambos tipos de contrastes son complementarios y han de realizarse en
todo proceso de elaboración de un modelo.

Como se recuerda, en los modelos de regresión múltiple se estudiaba la validez de los mismos
merced a la prueba de bondad de ajuste; esto es, una vez especificadas las variables
independientes y dependiente del modelo se trataba de determinar el porcentaje de variancia
explicada de la variable dependiente por el modelo establecido.

En este tipo de modelos, una vez definidas las variables, sólo había una única estructura de
relación posible. No cabían otras alternativas. Existía, no obstante, una cierta capacidad de
maniobra consistente en introducir las variables según un determinado orden (Stepwise,
Forward o Backward) de manera que las variables irrelevantes -frecuentemente redundantes-
quedaran eliminadas del modelo. Podíamos operar con el orden de entrada y el número de
variables a considerar, pero no con la estructura de relación que venía fijada de antemano.

En los modelos estructurales, además de la relevancia de las variables se contempla la

relevancia de la estructura. Dadas unas ciertas variables, que se suponen pertinentes para
el modelo, se trata de determinar la estructura idónea que refleje el juego real de relaciones
existente entre las variables en liza.

De esta forma, en los modelos estructurales la bondad de ajuste tiene un doble cometido, por
un lado hemos de determinar las variables adecuadas que expliquen una proporción de varianza
suficiente del modelo, y por otro, hemos de fijar la estructura que mejor se adecue al
mecanismo causal de la realidad observada.
 31

Ambos propósitos exigen especialmente fundamentación teórica del tema en cuestión. Ha de

conocerse, en primer lugar, lo más exhaustivamente posible, la literatura científica en torno
al aspecto de la realidad estudiada. Después, sobre esta base de conocimientos, la
estadística, como instrumento, puede resultar particularmente útil. En concreto nos
limitaremos, tomando como referencia, un cierto modelo que se toma como partida y que
responde a los conocimientos que hemos adquirido sobre un tema concreto, (y que en
principio, se supone razonable), a aplicar procedimientos que permitan de una manera
progresiva ir depurando el modelo hasta encontrar aquel que por razones de parsimonia
refleje de una manera aceptable la realidad observada con un mecanismo causal lo más
simple posible. En términos matemáticos, el criterio de ajuste que utilizaremos ser función de
las discrepancias existentes entre la matriz de correlaciones de las variables estudiadas, que
se toma como índice de la información del fenómeno real, y la matriz de correlaciones
reproducida a partir de los parámetros del modelo, y que se entiende que es la información que
de la realidad retiene el modelo elaborado.

Conviene recordar a este respecto que la validación de un modelo es frecuentemente un

camino de ida y vuelta. No se progresa en ellos de manera lineal sino diríamos en espiral.
Modificaciones puntuales que mejoran ciertas parcelas del modelo pueden alterar otras y
obligar a retomar cuestiones aparentemente resueltas que incluso den lugar a replantear la
totalidad del modelo. Una vez reelaborado el modelo se procede a un nuevo estudio en
detalle, que de nuevo podría alterar la totalidad del modelo. Y así sucesivamente, hasta
alcanzar un punto de plausibilidad del modelo, donde el investigador, si no es demasiado
neurótico, lo dé por concluido.

La elaboración de un modelo -hemos de insistir en ello- es una labor principalmente de

fundamentación teórica. Un modelo puede estar mal conceptualizado y ser, al mismo tiempo,
intachable desde el punto de vista estadístico. Nada puede hacer la estadística frente a tal
modelo como no sea abundar (de una manera rigurosa, eso sí) en el error. Los modelos han de
ser, en primer lugar, correctos y además precisos. Hay un aspecto formal, cualitativo, de
especial importancia a la hora de enjuiciar un modelo y que escapa al dominio de la
estadística.

No obstante, las técnicas estadística son un procedimiento nada desdeñable de ayuda al

investigador en su proceso de construcción de un modelo. Detecta incongruencias que hacen
incompatible el modelo con las hipótesis de partida, lo simplifica, consigue aumentar la
proporción de varianza explicada del modelo ..etc. Y lo que en nuestra opinión es más
importante; en todo este proceso el investigador se va familiarizando más y más con aquello
que desea modelar. Y en este sentido, conviene insistir en la conveniencia de no limitarse en
estos casos a la mecánica del Path análisis, o como veremos más adelante, a la del LISREL,
sino que además son muy útiles aplicar técnicas exploratorias de datos, procedimientos
gráficos, pequeños contrastes bivariantes .. etc, que permiten al investigador a maximizar
la información del fenómeno estudiado y, por lo tanto, le ayudan en la toma de decisiones
adecuadas.

Antes de introducirnos en el proceso de depuración de un determinado modelo

expondremos algunos criterios de tipo estadístico que pueden ayudarnos a tomar la decisión
adecuada a la hora de elegir el mejor modelo entre varios posibles. Trataremos el tema de la
identificación de los modelos.
 32

1.8.- Identificación de modelos

Una condición necesaria, previa a la validez del modelo, hace referencia a la identificación
del mismo; esto es, a la posibilidad de que los parámetros del modelo sean susceptibles de
ser calculados. Como se sabe, la determinación de los parámetros obedece a la solución de un
sistema de ecuaciones, donde existen tantas ecuaciones como correlaciones posibles entre
las diferentes variables del sistema. De aquí se deduce que para que tal sistema sea resoluble
debe haber como mínimo tantos parámetros a estimar -incógnitas- como ecuaciones
existentes. En términos matemáticos, si tenemos un modelo de n variables, el número de
correlaciones posibles entre ellas ser igual a n(n-1)/2. Así, si tenemos un modelo con tres
variables, tal como X1 , X2 e Y1 el número de correlaciones posibles ser 3*2/1 = 3. A saber,
rx2 x1 , ry1x1 y ry1x2

Estas unidades de información -matriz de correlaciones- marcan, como se ha indicado, el

número de ecuaciones posibles en la determinación de los parámetros del modelo. Puede
ocurrir, como en los casos vistos hasta ahora, que el número de parámetros a estimar
coincida con el número de correlaciones del modelo. En este caso, la solución del sistema
de ecuaciones es única y diremos que el modelo es exactamente identificado. Puede ocurrir, por
otro lado, que el número del parámetros del modelo sea inferior al número de ecuaciones
-modelo sobreidentificado-. Aquí hay redundancia de información. Existen varias
soluciones posibles del sistema y es necesario arbitrar en este caso criterios para elegir la
mejor opción. Por último, el número de ecuaciones puede ser inferior al número de parámetros
del modelo. En este caso, no existe información suficiente, no es posible encontrar solución
alguna al sistema de ecuaciones y diremos que el modelo es subidentificado.

En términos más formales, el criterio matemático utilizado hace referencia a los grados de
libertad del modelo (gl). Si definimos tal concepto como la diferencia entre el número de
ecuaciones del sistema (E) y el número de parámetros a estimar (P), tendremos que:gl = E − P .
Así, los modelos exactamente identificados serán aquellos donde gl=0, los modelos
sobreidentificados, aquellos donde gl>0, y, por último, los modelos subidentificado, donde
gl<0.

1.8.1.- Modelos exactamente identificados

Todos los modelos vistos hasta ahora han sido exactamente identificados. Ocurre, como se
ha indicado, cuando todas las variables del modelo están enlazadas entre sí, tal como se refleja
en el siguiente gráfico:

X1

γ 21 ζ2

γ 11

Y1 Y2
ζ1 β 21
Figura 1.42
 33

Se cumple que el número de correlaciones -ecuaciones del sistema- coincide con el número
de parámetros del modelo. En consecuencia gl=0. Así, en relación a este caso, tenemos las
siguientes ecuaciones básicas:

ry1x1 = γ 11
ry2 x1 = γ 21 + γ 11 β 21
ry2 y1 = β 21 + γ 11γ 21

Las correlaciones son: rx2 x1 , ry1x1 y ry1x2 . Las mismas que los coeficientes path del
modelo: γ 11 , γ 21 y β 21 . Habrá, pues, tantas ecuaciones como incógnitas. (Obsérvese que los
parámetros ψ 11 y ψ 22 hacen referencia a las varianzas residuales y pueden ser conocidos a
partir de la información que suministran las correlaciones del modelo). De aquí se deduce
que la solución del sistema es única. En base a la estructura definida sólo son posibles unos
valores únicos para los parámetros del modelo.

Esta circunstancia implica, en base al criterio comentado anteriormente de ajuste, que las
correlaciones reproducidas a partir de los parámetros del modelo son precisamente las
correlaciones reales, con lo que tal criterio carece de utilidad en este tipo de modelos. No es
posible saber según dicho criterio qué modelo entre varios alternativos ajusta mejor con la
realidad observada. Se dice que tales modelos no son verificables por cuanto, en términos
estadísticos, no puede establecerse entre varios de ellos cual es preferible.

Supongamos en este sentido que tres investigadores, con posiciones teóricas muy
distintas, quieren estudiar el efecto que sobre el Éxito profesional (EP) ejercen las variables
Inteligencia (IN) y Nivel social (NS). A este respecto, establecen los siguientes modelos:

IN IN IN

NE EP NE EP NE EP

Modelo A Modelo B Modelo C

Figura 1.43

En el modelo A se parte de una postura, diríamos genetista; es la Inteligencia -heredada- la

causa del Nivel social. En el modelo B se parte, por el contrario, de una postura
ambientalista; es el Nivel social -la educación- lo que determina la Inteligencia. Por último,
en el modelo C, se supone que ambas variables covarían -comparten información- pero no
se especifica el sentido de la causalidad.

Si nos tomáramos la molestia de calcular los parámetros de estos tres modelos observaríamos
que en todos ellos las ecuaciones serán las mismas, tal como se indica en (4.1), y en
consecuencia, los parámetros serían, igualmente, los mismos. La proporción de varianza
explicada por los modelos serían exactamente iguales, la significación de los
 34

coeficientes también .. etc. En definitiva, no habría forma, en base a criterios puramente

estadísticos de determinar qué modelo es preferible a cual. Tan sólo en base a criterios de
índole teórico (con las precauciones necesarias de todo trabajo no experimental) podría
establecerse alguna decisión a este respecto.

1.8.2.- Modelos sobreidentificados

Todos los modelos contemplados en el Path análisis- recursivos con variables observadas-
cuando carece de algún enlace entre algunas de las variables son modelos sobreidentificados.
Como se ha indicado, las ecuaciones vienen marcadas por el número de correlaciones -
todas las relaciones posibles entre las variable-, por tanto, baste que se suprima algún enlace (o
lo que es lo mismo, restrinjamos el parámetro en cuestión a cero) para que el número de
parámetros a estimar sea inferior al de correlaciones, y en consecuencia, el sistema tenga más
ecuaciones que incógnitas. Desde una perspectiva formal, son aquellos modelos cuyos grados de
libertad son superiores a cero (gl>0).

En estos casos existen varias soluciones posibles para los parámetros del modelo, lo que
permite elegir, en base al criterio de ajuste -discrepancia entre las correlaciones
reproducidas por el modelo y las correlaciones observadas- aquel modelo que presente mejor
bondad de ajuste. Se dice, por ello, que tales tipos de modelos son verificables por cuanto
pueden ser contrastados y comprobar si las restricciones realizadas son o no viables en el
sentido de que los parámetros estimados satisfagan aquellas ecuaciones no utilizadas en
la determinación de estos mismos parámetros, o lo que es lo mismo, los parámetros estimados
verifiquen tales ecuaciones.

Consideremos, en este sentido, los modelos A y B reflejados en la figura 4.3. Ambos modelos
operan con las mismas variables: Ingresos (IN), Nivel educativo (NE) y Prestigio social (PS).
No obstante, la estructura de relación indicada para cada uno de dichos modelos es bien
diferente. En el modelo A se supone que los Ingresos inciden sobre el Nivel educativo,
que a su vez, afecta el Prestigio social. Por el contrario, en el modelo B, es el Prestigio social lo
que incide sobre los Ingresos, y éstos sobre el Nivel educativo. Así:

IN IN

NE PS N PS
E

Modelo A Modelo B

Figura 1.44
 35

En términos más formales y estableciendo las siguientes identidades para los modelos A y B
respectivamente:

Modelo A Modelo B

IN ≡ X1 IN ≡ Y1
NE ≡ Y1 NE ≡ Y2
PS ≡ Y2 PS ≡ X 1

obtendremos los modelos:

X1 ζ1 Y1

ζ2 γ 11
γ 11 β 21

β 21
Y1 Y2 Y2 X1
ζ1 ζ2

Modelo A Modelo B

Figura 1.42

Supongamos que las correlaciones entre las distintas variables son las siguientes:

rNI = 0 .7 rPI = 0.5 rNP = 0.6

Elijamos el modelo A. Disponemos de tres correlaciones para determinar tan sólo dos
parámetros, tal como se reflejan en las siguientes ecuaciones:

ry1x1 = γ 11
ry2 x1 = γ 11 β 21
ry2 y1 = β 21

Podemos elegir las ecuaciones referentes a ry1x1 y ry 2x1 para determinar los parámetros γ 11 y
β 21 (el valor γ 21 ha sido fijado a cero). Así pues:

ry 1x1 = γ 11 ⇒ γ 11 = 0 .7
ry 2y 1 = β 21 ⇒ β 21 = 0 .6
 36

Completemos el modelo calculando ψ 11 y ψ 22 :

ψ 11 = 1 − ry21.x1 = 1 − 0 .7 2 = 0 .51
ψ 22 = 1 − ry22.y1 = 1 − 0 .6 2 = 0.64

El modelo resultante será:

X1

ζ2
0.7
0.68

0.51 0.6
ζ1 Y1 Y2

Modelo A

Figura 1.46

A partir de los parámetros γ 11 y β 21 podemos reproducir ry 2x1 :

ry*2x 1 = β 21γ 11 = 0 .6 * 0 .7 = 0 .42

Se observa que entre la correlación real ry 2x1 y la correlación reproducida ry*2x1 a partir de
los parámetros γ 11 y β 21 existe una cierta discrepancia:

ry 2x 1 − ry*2x 1 = 0.5 − 0.42 = 0.08

Consideremos ahora el modelo B. Disponemos de las mismas correlaciones que

anteriormente, pero en este caso, para estimar los parámetros γ 11 y β 21 de la figura 1.47.

ry1x1 = γ 11 ⇒ γ 11 = 0 .5
ry 2y1 = β 21 ⇒ β 21 = 0 .7

Calculemos ψ 11 y ψ 22 :

ψ 11 = 1 − ry21.x1 = 1 − 0 .5 2 = 0. 75
ψ 22 = 1 − ry22 .y1 = 1 − 0 .7 2 = 0 .51
 37

El modelo quedará:

0.75
ζ1 Y1

0.5

0.7

0.5
ζ2 Y2 X1

Figura 1.47

A partir de los parámetros γ 11 y β 21 podemos reproducir ry 2x1 :

ry*2x1 = β 21γ 11 = 0.7 * 0.5 = 0.35

Se observa que entre la correlación real ry 2x1 y la correlación reproducida ry*2x1 a partir de
los parámetros γ 11 y β 21 existe la discrepancia:
ry 2 x1 − r y*2 x1 = 0 .6 − 0 .35 = 0 . 25
Comparando ambos modelos deduciremos grosso modo (ya veremos el proceso estadístico
riguroso en el próximo tema) que el modelo B se ajusta peor a los datos de observación que
el modelo A. En consecuencia, preferiremos el modelo A al B.

1.8.3.- Modelos subidentificados

Aunque dentro del path análisis, como se ha indicado, no es posible la existencia de modelos
subidentificados, expondremos, únicamente con ánimo ilustrativo, las características de
tales tipo de modelo. Hemos de decir que dichos modelos son tratados en un contexto más
general -LISREL- (fuera de nuestro propósito actual), donde las restricciones específicas
del path análisis quedan ampliamente superadas, contemplándose entre otros aspectos
(error de medida, variables latentes ..etc) la posibilidad de causalidad recíproca entre las
distintas variables, así como correlaciones con los términos de error.

Los modelos subidentificados se caracterizan por no contener información

suficiente para estimar los parámetros. En términos matemáticos se traduce en la
existencia de más incógnitas que ecuaciones; esto es, se caracterizan por tener un número de
grados de libertad menor de cero (gl<0). Un caso elemental de modelo subidentificado
es el siguiente modelo no recursivo:
β 21
Y1 Y2

β12
Figura 1.48
 38

Sólo disponemos de la correlación ry1y2 (que por razones de simetría equivale a ry 2y1 ), y
hemos de determinar a partir de este valor los parámetros β12 y β 21 . Tenemos una unidad
de información y dos incógnitas a resolver.

Igualmente puede darse el caso de que aunque el sistema sea recursivo no se den los supuestos
del modelo de path análisis en relación a los términos de error, y presenten correlación entre
ellos, tal como se contempla en el siguiente modelo donde están relacionados los términos de
error ζ 1 y ζ 2 :

ψ 11
ζ1 2 Y1
2

γ 11
ψ 21 β 21

ψ 22 γ 21
ζ2 2 Y2 X1
2

Figura 1.49

O bien que exista relación entre alguna variable explicativa y el término de error:

ψ 11
2
ζ1
Y1

γ 11 rζ1X1
β 21

ψ 22 γ 21
ζ2 2
Y2 X1

Figura 1.50

O cualquier combinación de estos casos. Son modelos, por ello, no susceptibles de ser
resueltos en términos de sus parámetros. Como hemos indicado, no es nuestra intención, por el
momento, de entrar en la casuística de este tipo de modelos y su posible abordaje si no tan
sólo mostrar la existencia de tales modelos al lector.
 39

1.9.- Aplicación informática

1.10.- Introducción

Es nuestra intención en este apartado retomar algunos de los ejemplos tratados en páginas
anteriores y resolverlos mediante el programa informático LISREL 8.7. Será, pues, la
ocasión de introducirnos (muy brevemente) en la programación LISREL.

Trataremos, en una primera instancia, el ejemplo 1.5 (modelo exactamente identificado) donde
determinaremos la estimación de los parámetros y su significación estadística. A continuación
abordaremos la cuestión de los modelos sobreidentificados. Retomaremos el ejemplo 1.6 y
volveremos a su análisis, esta vez, con mayor rigor formal.

1.11.- Modelo exactamente identificado

Retomemos el ejemplo 1.5. Como se recuerda, el diagrama causal correspondiente era:

X1
γ 21
ζ2

γ 11

β 21
ζ1 Y1 Y2

Figura 1.51

Las variables en cuestión:

X1 : Inteligencia
Y1 : Clase social
Y2 : Rendimiento

Y las correlaciones:

ry1x1 = 0.5 ry2 x1 = 0.8 ry 2y1 = 0 .6

 40

La determinación de los parámetros de este modelo junto a la significación estadística de

los mismos, merced al recurso de la programación LISREL, vendrá indicado en las
siguientes sentencias:

MODELO EXACTAMENTE IDENTIFICADO

DA NI=3 NO=100 MA=KM
KM
1
0.6 1
0.5 0.8 1
LA
CSOCIAL REN INT
SE
1 2 3
MO NY=2 NX=1 BE=FU,FI PS=DI,FR
PA BE
0 0
1 0
PATH DIAGRAM
OU SE TV

La primera línea hace referencia al título del problema. Podemos hacerlo tan largo como
queramos (varias líneas). El título finalizar cuando se encuentre con la sentencia DA.

La sentencia DA (DAta and problem parameters) permite introducir la información básica

del problema. Aquí hemos contemplado las siguientes especificaciones: NI (Number of Input
variables), NO (Number of Observations) y MA (type of MAtriz to be Analyzed). En relación
a la instrucción MA hemos indicado que la matriz de entrada es la matriz de correlaciones,
cuya especificación aquí es KM.

A continuación viene precisamente la información de partida. Tras un encabezamiento

indicándole que la matriz a considerar es la matriz de correlaciones (KM) se ofrecen las
distintas correlaciones (solamente submatriz diagonal inferior, ya que dicha matriz es
simétrica). Por otro lado, la estructura de dicha matriz es:

Y1 Y2 X1

Y1 1

Y2 0.6 1

X1 0.5 0.8 1

esto es, en primer lugar se colocan las variables endógenas y a continuación las exógenas.
 41

La sentencia LA (LAbels) muestra el nombre de las variables, que se expresan en la siguiente

línea. Estas son: INT (Inteligencia), CSOCIAL (Clase social) y REN (Rendimiento).

La sentencia SE (SElect) nos indica el orden en el que van a ser leídas las variables de entrada.
El LISREL obliga a leer primero las variables endógenas y a continuación la exógenas. Como
las variables endógenas son CSOCIAL (Y1 ) y REN (Y2 ), indicaremos estas en primer lugar,
seguida de la variable exógena INT (X1 ). El orden será 1 2 3.

En la sentencia MO (Model parameters) se indica primeramente el número de variables

endógenas observadas del modelo (NY) y el número de variables exógenas observadas
(NX). A continuación hay que especificar la estructura de las matrices a utilizar y los
parámetros contenidos en ellas que hay que estimar. Como se sabe, las matrices contempladas
en este tipo de modelos son: BETA (Β ), GAMMA (Γ ), PHI (Φ ) Y PSI (Ψ ). En relación a
la matriz BETA le indicamos que es una matriz completa (FULL) y que todos los parámetros
están fijados (FIXED) a cero. De esta forma le indicaremos:

BE=FU,FI

Puede parecer esta sentencia una contradicción, ya que sabemos que hemos de calcular el
parámetro β 21 . Esto no es problema porque en la sentencia PA (PAttern matrix) que viene a
continuación le especificamos exactamente qué parámetros deseamos estimar: son aquellos
que vienen representados por un 1. De esta forma le indicaremos:

PA BE
0 0
1 0

Esto es, de la siguiente matriz:

Y1 Y2

Y1 β 11 β12

Y2 β 21 β 22

sólo hemos de calcular β 21

.
En relación a la matriz PSI, como se suponen que los errores no están correlacionados entre sí,
se especifica dicha matriz como diagonal y a estimar sus parámetros; esto es, libres a estimar
(FREE). Así:

PS=DI,FR
 42

Para las matrices GAMMA y PHI no hace falta especificar nada. En relación a la matriz
GAMMA se contemplan todas las conexiones posibles. Y esta matriz por defecto es
precisamente FU,FR. Igualmente la matriz PHI por defecto es una matriz simétrica, como es el
caso aquí. Por tanto, tampoco hemos de especificar PH=SY,FR.

Resumiendo, las matrices contempladas en el modelo, junto con sus coeficientes, son las
siguientes:

GAMMA ( Γ ):

CSOCIAL REN

INT γ 11 γ 12

BETA ( Β ):

CSOCIAL REN

CSOCIAL 0 0

REN β 21 0

PHI ( Φ ):

INT

INT φ11

PSI ( Ψ ):

CSOCIAL REN

CSOCIAL ψ 11 0

REN 0 ψ 22

La sentencia PATH DIAGRAM indica que se represente gráficamente los resultados del análisis.
Se representa el diagrama causal, así como sus coeficientes (y su significación) asociados.

Por último, en la sentencia OU (OUtput request) se indican las salidas que deseamos. Entre una
serie de opciones aquí solicitamos SE (Standard Errors) y TV (t-Values) asociados a dichos
errores típicos.
 43

Exponemos a continuación la salida de este programa LISREL. Para mayor comodidad en su

lectura entresacamos las partes que hemos estimado más relevante: los parámetros del modelo,
bondad de ajuste, errores típicos asociados a tales parámetros y la prueba t de Student. En
relación a los parámetros del modelo el listado es el siguiente:

LISREL Estimates (Maximum Likelihood)

BETA

CSOCIAL REN
-------- --------
CSOCIAL - - - -

REN 0.27 - -
(0.06)
4.13

GAMMA

INT
--------
CSOCIAL 0.50
(0.09)
5.72

REN 0.67
(0.06)
10.32

PHI

INT
--------
1.00
(0.14)
7.00

PSI
Note: This matrix is diagonal.

CSOCIAL REN
-------- --------
0.75 0.31
(0.11) (0.04)
7.00 7.00

Squared Multiple Correlations for Structural Equations

CSOCIAL REN
-------- --------
0.25 0.69
 44

De aquí se deduce que el diagrama causal será:

X1
0.667
ζ2

0.5
0.307

0.75 0.267
ζ1 Y1 Y2

Figura 1.52

Como puede comprobarse todos los resultados son coincidentes con los obtenidos en el
ejemplo 1.5 (cálculo de los parámetros) y el ejemplo 1.7 (significación estadística de los
mismos).

En cuanto a la bondad de ajuste:

Goodness of Fit Statistics

Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.0 (P = 1.00)

The Model is Saturated, the Fit is Perfect !

Se observa que el modelo, al ser exactamente identificado, ajusta perfectamente, y en

consecuencia, todos los valores referidos a las puntuaciones residuales valdrán cero.

La inclusión de la sentencia PATH DIAGRAM permite, entre otros, los siguientes gráficos:
 45

Si deseamos los valores de t de Student asociados:

1.12.- Modelo sobreidentificado

Retomamos aquí el ejemplo 1.6, realizado manualmente, y que por dificultades de calculo sólo
pudimos comprobar grosso modo las discrepancias entre la matriz R (observada) y R*
(reproducida). Procedemos de nuevo a su ejecución, esta vez con los recursos del programa
LISREL. Como se recuerda, se trataba de comparar los siguientes modelos sobreidentificados:

IN IN

PS NE PS
NE

Modelo A Modelo B
Figura 1.53
 46

1.12.1.- Modelo A

En el modelo A suponíamos que los Ingresos condicionaba el Nivel de estudios, y éste a su vez,
el Prestigio social. Por el contrario en el modelo B, era el Prestigio social lo que condicionaba
los Ingresos, y estos, el Nivel educativo. Este tipo de modelos –los modelos sobreidentificados-,
como se ha indicado, son los únicos susceptibles (al margen de otras consideraciones) de ser
verificados estadísticamente.

Comencemos por el modelo A. Le indicamos lo siguiente:

MODELO SOBREIDENTIFICADO A
DA NI=3 NO=100 MA=KM
KM
1
0.7 1
0.5 0.6 1
LA
INGRESOS NEDUC PSOCIAL
SE
2 3 1
MO NY=2 NX=1 BE=FU,FI PS=DI,FR
PA GA
1 0
PA BE
0 0
1 0
PATH DIAGRAM
OU SE TV

Las instrucciones son prácticamente las mismas que las indicadas en la tabla 1, a excepción de
que la selección de las variables es:

SE
2 3 1

Esto es, las variables endógenas (por orden) son Nivel educativo y Prestigio social, y la variable
exógena, Ingresos.

Por otro lado, la variable Ingresos sólo enlaza con Nivel educativo (y no con Prestigio social),
así pues, la estructura de la matriz GAMMA será:

PA GA
1 0
 47

Un primer resultado gráfico, muy sencillo, el que nos proporciona la sentencia PATH
DIAGRAM, será:

El valor de Chi-Cuadrado (que nos marca la discrepancia entre R y R* ) para 1 grado de libertad
es 1.94. Su probabilidad asociada es 0.16354, que nos indica precisamente la probabilidad de
obtener tal matriz R* a partir de una supuesta población con R. Es mayor que los valores
convencionales de 0.05 o 0.01, por o que nada se opone a aceptar que el modelo propuesto se
ajusta a los datos de observación.

También se nos indica en esta tabla que el valor de RMSEA (Root Mean Square Error of
Approximation) es 0.098. En castellano, el Error cuadrático medio de aproximación, que deriva
de la Chi-Cuadrado, y que a diferencia de ésta, constituye un estimador insesgado del error de
aproximación. Se define (Browne y Cudeck, 1993) como:

χ 2 − gl
RMSEA =
N * gl

siendo gl los grado de libertad del modelo y N el total de individuos. En este caso:

1. 94 − 1
RMSEA = = 0.098
100 *1

Se acepta que para un buen modelo, RMSEA < 0.05. Por lo que en este caso, rechazaremos la
hipótesis de un buen ajuste.
 48

Si deseamos conocer los distintos estimadores, junto a sus errores tipo y el valor de t de Student
asociado:

LISREL Estimates (Maximum Likelihood)

BETA

NEDUC PSOCIAL
-------- --------
NEDUC - - - -

PSOCIAL 0.60 - -
(0.08)
7.42

GAMMA

INGRESOS
--------
NEDUC 0.70
(0.07)
9.70

PSOCIAL - -

PHI

INGRESOS
--------
1.00
(0.14)
7.00

PSI
Note: This matrix is diagonal.

NEDUC PSOCIAL
-------- --------
0.51 0.64
(0.07) (0.09)
7.00 7.00

También los valores de R2 para las distintas variables endógenas:

Squared Multiple Correlations for Structural Equations

NEDUC PSOCIAL
-------- --------
0.49 0.36
 49

Podemos hacernos una idea de la discrepancia comparando la matriz de

correlaciones observada y reproducida:

Correlation Matrix

NEDUC PSOCIAL INGRESOS

-------- -------- --------
NEDUC 1.00
PSOCIAL 0.60 1.00
INGRESOS 0.70 0.50 1.00

LISREL Estimates (Maximum Likelihood)

Covariance Matrix of Y and X

NEDUC PSOCIAL INGRESOS

-------- -------- --------
NEDUC 1.00
PSOCIAL 0.60 1.00
INGRESOS 0.70 0.42 1.00

Obsérvese que en el enlace que falta entre Prestigio social e Ingresos, la correlación reproducida
por el modelo es 0.42, siendo la real 0.5. Valores coincidentes con los obtenidos manualmente
en el ejemplo 1.6.

Además el LISREL 8 nos ofrece una infinidad más de indicadores de ajuste:

Goodness of Fit Statistics

Degrees of Freedom = 1
Minimum Fit Function Chi-Square = 1.96 (P = 0.16)
Normal Theory Weighted Least Squares Chi-Square = 1.94 (P = 0.16)
Estimated Non-centrality Parameter (NCP) = 0.94
90 Percent Confidence Interval for NCP = (0.0 ; 9.23)

Minimum Fit Function Value = 0.020

Population Discrepancy Function Value (F0) = 0.0096
90 Percent Confidence Interval for F0 = (0.0 ; 0.094)
Root Mean Square Error of Approximation (RMSEA) = 0.098
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.31)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.21

Expected Cross-Validation Index (ECVI) = 0.12

90 Percent Confidence Interval for ECVI = (0.11 ; 0.21)
ECVI for Saturated Model = 0.12
ECVI for Independence Model = 1.17

Chi-Square for Independence Model with 3 Degrees of Freedom = 108.90

Independence AIC = 114.90
Model AIC = 11.94
Saturated AIC = 12.00
Independence CAIC = 125.72
 50

Model CAIC = 29.97

Saturated CAIC = 33.63

Normed Fit Index (NFI) = 0.98

Non-Normed Fit Index (NNFI) = 0.97
Parsimony Normed Fit Index (PNFI) = 0.33
Comparative Fit Index (CFI) = 0.99
Incremental Fit Index (IFI) = 0.99
Relative Fit Index (RFI) = 0.95

Critical N (CN) = 336.06

Root Mean Square Residual (RMR) = 0.033

Standardized RMR = 0.033
Goodness of Fit Index (GFI) = 0.99
Adjusted Goodness of Fit Index (AGFI) = 0.92
Parsimony Goodness of Fit Index (PGFI) = 0.16

El valor de Chi-Cuadrado χ 2 hace referencia a indicadores globales de bondad de ajuste, que en

términos generales, marca la diferencia entre R y R* , esto es, la magnitud de los residuales. Estos
valores dependen de las restricciones que hayamos impuesto; cuanto menos, menor el número de
correlaciones discrepantes, lo que puede dar lugar a la ilusión de un buen modelo cuando no lo
es. En el límite, todos los modelos saturados, sean como sean, ajustan perfectamente. También la
Chi-Cuadrado se ve afectado por le tamaño N de la muestra, lo que penaliza el ajuste para
muchos sujetos. Es por ello, que resulta conveniente otros indicadores de ajuste relativamente
independiente del número de parámetros y de sujetos..

En este sentido, una solución consiste en calcular la raiz del residuo estandarizado cuadrático
medio, o bien SRMR (Standardized Root Mean square Residual), que es un valor promedio.
Este estadístico es muy utilizado, y su valor ha de estar por debajo de 0.05, lo que no ocurre
aquí.

Frecuentemente se comparan distintos modelos, con lo que interesa compararlos entre sí y ver la
mejora relativa. Son los denominados índices de ajuste incremental, donde se contrastan la Chi-
Cuadrado de diferentes modelos. A este respecto tenemos el Índice de ajuste normalizado, NFI
(Normed Fit Index). Se calcula de la siguiente manera:

χ b2 − χ 2
NFI =
χ b2

donde χ 2 es el valor de Chi-Cuadrado del modelo propuesto, y χ b2 el del modelo que tomamos
como referencia. Convencionalmente este valor se refiere al denominado modelo de
independencia o nulo, que asume las covarianzas (o correlaciones) como cero. Este indicador
oscila entre 0 y 1. Como el modelo base presentará una gran discrepancia con los datos de
observación, se exige valores de NFI superiores a 0.95. No es un buen indicador, ya que depende
en exceso del número de parámetros del modelo.
 51

Alternativas a este índice es el índice de ajuste no normado, NNFI (Non-Normed Fit Index), que
intenta compensar los inconveniente del índice anterior. Para ello trabaja con el cociente de los
distintos valores de Chi-Cuadrado y sus grados de libertad correspondientes:

χ b2 / glb − χ 2 / gl
NNFI =
χ b2 / gl b

Por último, tenemos un par de índices, AIC y CAIC. No están acotados entre 0 y 1, lo que
dificulta su interpretación. Todo lo que se puede decir es que cuanto menores son, mejor es el
ajuste. Presentan fórmulas equivalente, y son especialmente útiles cuando se tratan de comparar
distintos modelos referidos a la misma realidad. Aunque sus valores no están estandarizados, sí
son comparables entre distintos modelo de la misma realidad, en cuanto una disminución de ol s
mismos implica una mayor mejora. El índice AIC se expresa:

AIC = χ 2 − 2 gl

Y el índice CAIC:

CAIC = χ 2 − gl (ln( N ) + 1)

1.12.1.- Modelo B

las instrucciones para el modleo B son muy parecidas a las del modelo A. Son las siguientes

MODELO SOBREIDENTIFICADO B
DA NI=3 NO=100 MA=KM
KM
1
0.7 1
0.5 0.6 1
LA
INGRESOS NEDUC PSOCIAL
SE
1 2 3
MO NY=2 NX=1 BE=FU,FI PS=DI,FR
PA GA
1 0
PA BE
0 0
1 0
PATH DIAGRAM
OU SE TV
 52

Tan sólo hay que especificar que el orden de entrada es:

SE
1 2 3

Se entiende entonces que Ingresos es Y1 , Nivel educativo Y2 , y Éxito social X1 . La salida

proporcionada por PATH DIAGRAM:

La probabilidad asociada al valor de Chi-Cuadrado indica ausencia de ajuste, así como el valor
de RMSEA, muy superior a 0.05.

Respecto a los parámetros:

 53

LISREL Estimates (Maximum Likelihood)

BETA

INGRESOS NEDUC
-------- --------
INGRESOS - - - -

NEDUC 0.70 - -
(0.07)
9.70

GAMMA

PSOCIAL
--------
INGRESOS 0.50
(0.09)
5.72

NEDUC - -

PHI

PSOCIAL
--------
1.00
(0.14)
7.00

PSI
Note: This matrix is diagonal.

INGRESOS NEDUC
-------- --------
0.75 0.51
(0.11) (0.07)
7.00 7.00

Squared Multiple Correlations for Structural Equations

INGRESOS NEDUC
-------- --------
0.25 0.49

Squared Multiple Correlations for Reduced Form

INGRESOS NEDUC
-------- --------
0.25 0.12
 54

Obsérvese la discrepancia entre la matriz de correlaciones observadas y

reproducidas:

Correlation Matrix

INGRESOS NEDUC PSOCIAL

-------- -------- --------
INGRESOS 1.00
NEDUC 0.70 1.00
PSOCIAL 0.50 0.60 1.00

Covariance Matrix of Y and X

INGRESOS NEDUC PSOCIAL

-------- -------- --------
INGRESOS 1.00
NEDUC 0.70 1.00
PSOCIAL 0.50 0.35 1.00

El enlace que falta entre Prestigio social y Nivel educativo, cuya correlación observada es 0.6,
muestra una correlación reproducida por le modelo de 0.35. Una discrepancia superior al modelo
A.

Y en relación a los restantes índices de ajuste:

Goodness of Fit Statistics

Degrees of Freedom = 1
Minimum Fit Function Chi-Square = 17.66 (P = 0.00)
Normal Theory Weighted Least Squares Chi-Square = 16.18 (P = 0.00)
Estimated Non-centrality Parameter (NCP) = 15.18
90 Percent Confidence Interval for NCP = (5.65 ; 32.11)

Minimum Fit Function Value = 0.18

Population Discrepancy Function Value (F0) = 0.15
90 Percent Confidence Interval for F0 = (0.058 ; 0.33)
Root Mean Square Error of Approximation (RMSEA) = 0.39
90 Percent Confidence Interval for RMSEA = (0.24 ; 0.57)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.00021

Expected Cross-Validation Index (ECVI) = 0.27

90 Percent Confidence Interval for ECVI = (0.17 ; 0.44)
ECVI for Saturated Model = 0.12
ECVI for Independence Model = 1.17

Chi-Square for Independence Model with 3 Degrees of Freedom = 108.90

Independence AIC = 114.90
Model AIC = 26.18
 55

Saturated AIC = 12.00

Independence CAIC = 125.72
Model CAIC = 44.20
Saturated CAIC = 33.63

Normed Fit Index (NFI) = 0.84

Non-Normed Fit Index (NNFI) = 0.53
Parsimony Normed Fit Index (PNFI) = 0.28
Comparative Fit Index (CFI) = 0.84
Incremental Fit Index (IFI) = 0.85
Relative Fit Index (RFI) = 0.51

Critical N (CN) = 38.19

Root Mean Square Residual (RMR) = 0.10

Standardized RMR = 0.10
Goodness of Fit Index (GFI) = 0.90
Adjusted Goodness of Fit Index (AGFI) = 0.41
Parsimony Goodness of Fit Index (PGFI) = 0.15

Obsérvese que todos los indicadores indican un mal ajuste. Peor que en modelo A, como se
refleja en los indicadores AIC y CAIC, en donde se obtienen valores superiores.

Bibliografía

Asher, H.B. (1984). Causal Modeling. Beverly Hills: Sage.

Birnbaum, I (1981). An introduction to causal analysis in sociology. London: Mcmillan
Press.
Bollen, K. A. (1989). Structural Equations with latent variables. New York: Wiley
Bollen, K.A. And Long, J.S. (Eds.; 1993). Testing structural equation models. Thousan Oaks
Sage.
Brett, J. M.; James, L. R. (1982). Causal Analysis: Assumtions, Models And Data. Beverly
Hills: Sage.
Browne, M. W., y Cudeck, R. (1993): “Alternative ways of assessing model fit” en Bollen, K. A.
y Long, J. S. (Eds.), Testing structural equation models. Thousan Oaks: Sage
Byrne, B.M. (1998). Structural Equation Modelling with Lisrel, Prelis, And Simplis: Basic
Concepts, Applications, and Programming. Mahwah, Nj: L. Erlbaum
Davis, A. J. (1987). The logic of causal order. Beverly Hills: Sage.
Diamantopoulos, A. & Siguaw, J. A. (2000). Introducing LISREL: A Guide for the uninitiated.
Thousand Oaks, Ca : Sage.
Duncan, O. D. (1975). Introduction to structural equation models. New York: Academic Press.
Hayduk, L. A. (1996). LISREL: Issues, debates and strategies. Baltimore, Mariland: Johns
Hopkins U.P.
Heise, D. R. (1975). Causal Analysis. New York: Wiley.
Hoyle, R.H., (Ed.) (1995). Structural Equation Modeling: Concepts, Issues And Applications.
Thousand Oaks, Ca: Sage Publications
 56

James, L. R. (1982). Causal Analysis: Assumptions, Models And Data. Beverly Hills: Sage.
Joreskog, K. G. And D.Sorbom (1988). LISREL VII: A guide to the program and
applications. Chicago: Spss, Inc.
Jöreskog K. G. & Sörbom, D. (1996) LISREL 8. User's reference guide. Mooresville, Indiana:
Scientific Software.
Jaccard, J. And Wan, C.K. (1996). LISREL approaches to interaction effects in multiple
regression. Beverly Hills: Sage
Kelloway, E. K. .(1998). Using LISREL for structural equation modeling: A Researcher's Guide.
Thousand Oaks, Ca: Sage
Kenny, D. (1979). Correlation and Causality. New York: John Wiley And Sons.
Loehlin, J. (1998). Latent variable models (3rd Ed). Hillsdale, Nj: Erlbaum.
Li, C.C. (1975). Path Analysis -A Primer. Pacific Grove Ca.: Boxwood Press.
Maruyama, G.M. (1998). Basics of structural equation modeling. Thousand Oaks, Ca: Sage.
Marcoulides, G.A. & Schumacker, R.E. (2001). New developments and techniques in structural
equation modeling. Mahwah, NJ: L. Erlbaum.
Marcoulides, G.A. And Schumacker, R.E. (Eds; 1996). Advanced structural equation
modelling: Issues and techniques. Hillsdale, NJ: Erlbaum.
Mulaik, Stanley A.; James,Lawrence R. (1982). Causal analysis: assumptions, models and
data. Beverly Hills: Sage Publications.
Mueller, R.O. (1998). Basic principles of structural equation modeling. New York: Springer
Pedhazur, E. J (1982). Multiple Regresion In Behavioral Research. Explanation And
Prediction (2nd Ed.). New York: Halt Rinehart and Winston.
Schumacker, R.E. and Lomax, R.G. (1996). A Beginner's Guide to Structural Equation
Modeling. Hillsdale, NJ: Erlbaum.
Schumacker, R.E. & Marcoulides, G.A. (eds.) (1998). Interaction and nonlinear effects in
structural equation modeling. Mahwah, NJ: L. Erlbaum.
Saris, W. E. And Stronkhorst, L. H. (1984). Causal modelling in nonexperimental research.
Amsterdam: Sociometric Research Foundation.
Viladrich I Segues, M.C. (1985). Models d'ecuacions Estructurals en recerca no experimental.
Barcelona: Universidad Autonoma de Barcelona.
Visauta, B. (1986). Modelos causales. Barcelona: Hispano Europea.
Wonnacott, T.H and Wonnacott, R.J. (1981). Regression: A Second Course in Statistics.
New york: wiley.
Yang Jonsson, F. (1997). Non-linear structural equation models: simulation studies of the
Kenny-Judd model. Acta Universitatis Upsalensis.