See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/300717980

Analisis de la invarianza factorial y causal con

AMOS

Book · April 2016

CITATIONS READS

0 813

1 author:

Cristina Calvo-Porral
University of A Coruña
51 PUBLICATIONS 139 CITATIONS

SEE PROFILE

All content following this page was uploaded by Cristina Calvo-Porral on 21 March 2017.

The user has requested enhancement of the downloaded file.

 ANALISIS DE LA INVARIANZA
FACTORIAL Y CAUSAL CON
AMOS

---------------------------------------------------------------
Cristina Calvo Porral
Universidade da Coruña
----------------------------------------------------------------
Análisis de la invarianza factorial y causal con Amos
© Cristina Calvo Porral, 2017
© Ilustración de portada: ADD Editorial
© ADD Editorial, de la presente edición (www.addeditorial.com)
1ª Edición: Enero 2017

Hecho el depósito que marca la Ley 11.723

ISBN: 978-84-9075-962-2
Depósito Legal: V-361-2017
Impreso en Alfa Delta digital (C/ Albocácer, 25 Bajo, 46020 Valencia).
imprenta@alfadeltadigital.com

No se permite la reproducción total o parcial de este libro, ni su incorporación a un sistema informático, ni

su transmisión en cualquier forma o por cualquier medio, sea éste electrónico, mecánico, por fotocopia, por
grabación u otros métodos, sin el permiso previo y por escrito de los titulares del copyright.
 Series of Data Analysis and Methods in Social Sciences
Serie de Análisis de Datos y Métodos en Ciencias Sociales

ADD Editorial

Editorial Review Board

Editors:
Jean-Pierre Lévy Mangin (jean-pierre.levy-mangin@uqo.ca), Université du Québec en
Outaouais. Canada.
Beatriz Larraz Iribas (Beatriz.Larraz@uclm.es), Universidad de Castilla la Mancha,
Spain.

European coordinator :
José Manuel Pavía Miralles (pavia@uv.es), Universidad de Valencia, Spain

Latinoamerican coordinator:
Sonia Salvo Garrido (sonia.salvo@ufrontera.cl), Universidad de La Frontera, Chile.

Adjunct Marketing Coordinator:

Cristina Calvo Porral (ccalvo@udc.es), Universidad de Coruña, Spain

International Scientific Committee

Dr. Manuel Ato García. Universidad de Murcia, Spain.

Dr. Guido Ferrari. University of Florence, Italy.
Dr. Qian Fucai, Xi’an University of Technology, People’s Republic of China.
Dr. Beatriz Larraz Iribas, Universidad de Castilla la Mancha, Spain.
Dr. Jean-Pierre Lévy Mangin, Université du Québec en Outaouais, Canada.
Dr. Eduardo Loría Díaz de Guzmán, Universidad Autónoma del Estado de México,
México.
Dr. Jorge Mateu Mahiques, Universidad Jaime I, Castellón de la Plana, Spain.
Dr. Paul McNelis. Fordham University, USA.
Dr. Edgardo Miranda Zapata, Universidad de La Frontera, Chile.
Dr. José Manuel Pavía Miralles, Universidad de Valencia, Spain.
Dr. Emilio Porcu Aturdi, University Federico Santa Maria, Chile.
Dr. Éric Racicot, Ottawa University, Telfer Business School, Canada.
Dr. William Rentz, Ottawa University, Telfer Business School, Canada.
Dr. Sonia Salvo Garrido, Universidad de La Frontera, Chile.
Dr. Raymond Théoret. Université du Québec à Montréal, Québec, Canada.
Dr. Jesús Varela Mallou, Universidad de Santiago de Compostela, Spain.
Dr. Dorota Maria Witkowska. Warsaw Agricultural University, Poland.
 ANALISIS DE LA INVARIANZA FACTORIAL Y CAUSAL CON AMOS

Cristina Calvo Porral

1. Introducción
2. Los modelos de ecuaciones estructurales
3. Comparaciones multigrupo para análisis factorial confirmatorio
3.1. ¿En qué consiste el análisis factorial confirmatorio?
3.2. Estimación del modelo base
3.3. Reespecificación del modelo
3.4. Comparación multigrupo
3.5. Determinación de la invarianza en modelos factoriales multigrupo
4. Comparaciones multigrupo para análisis causal
4.1. ¿En qué consiste el análisis causal?
4.2. Estimación del modelo base
4.3. Reespecificación del modelo
4.4. Comparación múltigrupo
4.5. Determinación de la invarianza en modelos causales multigrupo

5. Los índices de ajuste de los modelos

5.1. Valoración de los índices de ajuste de un modelo estructural

6. Referencias bibliográficas

1. INTRODUCCION

En este manual no se realiza un análisis matemático ni tampoco estadístico, de manera que no se analiza en
ningún caso fórmulas o matrices estadísticas. En este manual se tratará de emplear palabras, conceptos y
términos para explicar la lógica y sobre todo el proceso y los pasos necesarios para aprender a realizar análisis
de modelos de ecuaciones estructurales (SEM, Structural Equation Modeling) con el programa estadístico
Amos, centrándose en el análisis de distintas muestras o grupos de observaciones, lo que comúnmente se
denomina como análisis multigrupos. Por ello, todos los conceptos y principios estadísticos se explicarán de
manera verbal y no estadística o con fórmulas matemáticas. El motivo fundamental para emplear este enfoque
en el presente manual es que de esta manera tanto expertos como principiantes, estadísticos y no estadísticos,
o cualquier lector serán capaces de comprender todas los procesos y etapas que se llevan a cabo en modelos
de ecuaciones estructurales (SEM), ya que se emplea un lenguaje común.

1
Además, al suprimir la variable observable NOT1, se habrá conseguido una reespecificación del modelo
original que da como resultado que las correlaciones múltiples al cuadrado superen todas el valor mínimo
exigido de 0,50 (Tabla 3.6.), y además el modelo resultante obtiene índices de ajuste del modelo que mejoran
los índices del modelo inicial, aumentando el CFI de 0,973 a 0,980. Esto nos lleva a concluir que este modelo
reespecificado sería el modelo óptimo y final; y por tanto, el que se empleará para el análisis multigrupo.
Tabla 3.6. Ajuste del modelo y correlaciones cuadradas modelo reespecificado.

3.4. Comparaciones multigrupo para análisis factorial confirmatorio

A continuación se realizará un análisis factorial confirmatorio de primer nivel con varias muestras o análisis
multigrupo, lo que permitirá comparar los resultados obtenidos para las diferentes muestras analizadas. En
nuestro ejemplo se hará una comparación entre marcas de cerveza nacionales y marcas de cerveza importadas.
Para realizar el análisis, lo primero que debe hacer el investigador es desglosar la base de datos total en dos
bases de datos independientes y separadas. En nuestro caso, se desglosará la base de datos total en dos bases:

12
una para las marcas de cerveza nacionales –con un total de 258 observaciones-, y otra base con las marcas de
cerveza importadas – con un total de 304 observaciones-. Como se ha señalado anteriormente, el objetivo
fundamental de este análisis reside en analizar las diferencias existentes entre diferentes grupos o muestras,
comparando para todos ellos el mismo modelo estructural de relaciones entre variables observadas y variables
observables.

3.4.1. Obtención resultados análisis factorial confirmatorio multigrupo

Para la determinación de los parámetros del análisis multigrupo se tomará el modelo reespecificado en el
apartado anterior, en el que se había eliminado el ítem NOT1. En este modelo se deben crear dos grupos,
correspondientes a cada una de las muestras. Para ello se debe pinchar la pestaña “Analyze” y una vez allí la
opción “Manage Groups”, que permite ir creando tantos grupos como sea necesario, y además permite darles
nombres. En nuestro caso, se crearán dos grupos: el primero se denominará “marcas nacionales” (Figura 3.8.)
y el segundo “marcas importadas” (Figura 3.9.).

Figura 3.8. Creación de un grupo para las marcas nacionales

Figura 3.9. Creación de un grupo para las marcas importadas.

El programa Amos ejecutará el programa aplicando el modelo factorial confirmatorio a cada una de las
submuestras (Figura 3.10). Se ejecuta el programa de la misma forma que en el apartado anterior, pulsando el
icono con forma de “teclado de piano”. Igual que en el caso anterior, se pueden obtener los resultados en
formato texto.

Figura 3.10. Modelo factorial confirmatorio multigrupo.

13
El investigador debe analizar los resultados obtenidos, para conseguir una buena definición del modelo
factorial. En primer lugar, se deben analizar los índices de bondad de ajuste del modelo, que son idénticos
para los dos grupos o muestras analizadas. Los índices de bondad del ajuste alcanzan valores satisfactorios,
con un CFI con un valor de 0,951 (Tabla 3.7).

Tabla 3.7. Ajuste del modelo factorial confirmatorio multigrupo

14
A continuación, el investigador debe revisar los siguientes parámetros dentro de cada grupo o muestra:

 Marcas nacionales:

En primer lugar las variables observables deben tener una carga factorial adecuada en las variables latentes,
siendo comúnmente aceptado el nivel de 0,50 como una carga aceptable. En nuestro ejemplo se observan
cargas factoriales adecuadas, excepto para el ítem NOT2.

Tabla 3.8. Cargas factoriales modelo multigrupo: marcas nacionales

De la misma manera, el investigador debe analizar los estimadores no estandarizados para las marcas
nacionales (Tabla 3.9). En nuestro ejemplo estos estimadores son adecuados, dado que los ratios críticos
(C.R.) de todas las variables alcanzan un valor superior a 1,96, pudiendo considerarse significativos.
Tabla 3.9. Estimadores no estandarizados, errores estándar y ratios críticos modelo
multigrupo: para marcas nacionales.

A continuación, el investigador debe analizar los valores para las correlaciones múltiples al cuadrado
(Squared Multiple Correlations), que como se ha comentado anteriormente deben superar el umbral de 0,50
para poder considerarse significativas. En concreto las correlaciones múltiples al cuadrado de los ítems NOT
2 y NOT3 no superan dicho umbral (Tabla 3.10.). Finalmente, el investigador puede analizar las varianzas

15
comunes, que deben ser significativas. Todos los resultados anteriores implican necesariamente que el modelo
factorial debe reespecificarse, y para ello es fundamental eliminar las variables NOT2 y NOT3, y por tanto
eliminar la variable latente Notoriedad, aun siendo conscientes de la pérdida de información que ello supone

Tabla 3.10. Varianzas y correlaciones múltiples modelo multigrupo: marcas nacionales

 Marcas importadas:
El investigador deberá ahora analizar los resultados obtenidos para el otro grupo o muestra. Se observar que
todas las variables observables presentan una carga factorial estandarizada adecuada, superior al valor
comúnmente aceptado de 0,50 (Tabla 3.11.) en el grupo de las marcas de cerveza importadas.

Tabla 3.11. Cargas factoriales modelo multigrupo: marcas importadas.

A continuación, el investigador debe analizar los estimadores no estandarizados (Tabla 3.12.), que en nuestro
ejemplo son adecuados, ya que todos los ratios críticos (C.R.) alcanzan un valor superior a 1,96, pudiendo
considerarse por tanto significativos.

16
Tabla 3.12. Estimadores no estandarizados, errores estándar y ratios críticos modelo
multigrupo: marcas importadas.

A continuación, el investigador debe analizar los valores para las correlaciones múltiples al cuadrado
(Squared Multiple Correlations), que deben superar el umbral de 0,50 para poder considerarse significativas.
Sin embargo, para la muestra de marcas importadas las correlaciones múltiples al cuadrado del ítem ASO2
alcanzan un valor de 0,418 y no superan dicho umbral (Tabla 3.13.). Finalmente, el investigador puede
analizar las varianzas comunes, que deben ser también significativas. Todos los resultados anteriores implican
necesariamente que el modelo factorial debe reespecificarse, eliminando la variable ASO2 del modelo.

Tabla 3.13. Varianzas y SMC para modelo multigrupo: marcas importadas-

3.4.2. Reespecificación del modelo multigrupo

Los resultados obtenidos en los apartados anteriores sugieren que el modelo factorial debe ser reespecificado.
Para ello se deben eliminar el ítem o variable ASO 2, así como la variable latente Notoriedad, aún a pesar de la
pérdida de información en el modelo, para estimar los parámetros del modelo de nuevo. Una vez eliminadas

17
estas variables, se ejecuta de nuevo el programa Amos, para analizar los resultados, tanto gráficamente (Figura
3.11.), como en formato texto.

Figura 3.11. Análisis factorial confirmatorio multigrupo: modelo reespecificado.

En primer lugar, el investigador debe analizar los índices de bondad de ajuste del modelo reespecificado, que
son idénticos para los dos grupos o muestras analizadas, esto es, para las marcas nacionales y las marcas
importadas. Los índices de ajuste del modelo alcanzan valores satisfactorios, con un CFI con un valor de
0,983 (Tabla 3.12.).

Tabla 3.12. Ajuste del modelo factorial confirmatorio multigrupo: modelo reespecificado.

18
 NFI (Normed Fit Index o Índice de Ajuste Normado): este índice representa una comparación entre
el modelo propuesto por el investigador y el modelo nulo. Puede alcanzar valores entre 0 y 1 (ajuste perfecto
del modelo). En general, se acepta que valores superiores a 0,95 indican un ajuste apropiado.

 IFI (Incremental Fit Index o Índice de ajuste incremental): representa una comparación entre el
modelo especificado y el modelo nulo. Puede adoptar valores entre 0 y 1 (ajuste perfecto), indicando valores
elevados una buena calidad del ajuste. De manera general, se acepta que valores superiores a 0,95 indican un
buen ajuste del modelo (Bollen, 1990).

5.1.3. Medidas de ajuste de parsimonia

 Chi-cuadrado normada:

Esta medida es el ratio de la Chi-Cudrado dividida por los grados de libertad. Ofrece dos formas de evaluar
los modelos: si un modelo está “sobreajustado”, este índice alcanzará valores inferiores a 1; y si el modelo no
es representativo de los datos observados, este índice alcanzará valores superiores a 2 y a 3 (Carmines y
McIver, 1981) o incluso valores superiores a 5 (Jöreskog, 1970). Sin embargo, se ha mostrado que es un
indicador poco fiable, por lo que el investigador debe combinarlo con otros índices de bondad del ajuste
(Hayduk, 1987; Wheaton, 1987).

Tabla 5.1. Índices de ajuste para diferentes tipos de modelos

n<250 n>250
Indices m≤12 12<m<30 m≥30 m≤12 12<m<30 m≥30

Χ2 Valores de p Valores de p Valores de p

Valores de p no Valores de p Valores de p
significativos significativos no
significativos significativos significativos
significativos

GFI Valores próximos a 1. Sin umbrales establecidos

Ajuste
0,08 o Inferior a 0,09 0,08 o 0,08 o
absoluto Indice
RMR Indice sesgado inferior (con (con
sesgado
inferior (con inferior (con
CFI> 0,95) CFI>0,92) CFI>0,92) CFI>0,92)
Inferior a Inferior a 0,08 Inferior a 0,07 Inferior a Inferior a
Inferior a 0,08
RMSEA (con CFI> 0,97)
0,08 (con (con CFI> (con CFI> 0,07 (con 0,07 (con
CFI> 0,95) 0,92) 0,97) CFI> 0,92) CFI> 0,90)

AGFI Superior o igual a 0,90

0,95 o Superior a 0,95 o Superior a Superior a

CFI 0,97 o superior
superior 0,92 superior 0,92 0,90
Ajuste 0,95 o Superior a 0,95 o Superior a Superior a
TLI 0,97 o superior
superior 0,92 superior 0,92 0,90
incremental
NFI Superior a 0,95
No señala
0,95 o Superior a 0,95 o Superior a Superior a
IFI errores de
superior 0,92 superior 0,92 0,90
especificación
Χ2normada Limite inferior: 1
Parsimonia Límite superior: 2, 3 ó 5.
Combinar con otros índices de bondad del ajuste

66
 m= es el numero de variables observables
n= es el tamaño muestral
(Elaboracion propia a partir de Hair et al., 2010)

REFERENCIAS

AAKER, D.A. (1991). Managing Brand Equity: Capitalizing on the Value of Brand Name. New York, NY:
The Free Press.

AAKER, D.A. (1996). Measuring Brand Equity Across Products and Markets. California Management
Review, 38 (3), 102-120.

BAGOZZI, P.Y., Yi, Y. (1989). On the Use of Structural Equation Models in Experimental Designs. Journal
of Marketing Research XXVI, 271-84

BENTLER, P.M. (1980). Multivariate Analysis with Latent Variables: Causal Modeling. Annual Review of
Psychology, 31, 419-456.

BOLLEN, K.A. (1990). Overall Fit in Covariance Structure Models: Two Types of Sample Size Effects.
Psychological Bulletin, 107 (2), 256-59.

BROWNE, M. W., CUDECK, R. (1993). Alternative ways of assessing model fit. In: K. A. Bollen & J. S.
Long (Eds.). Testing structural equation models. Beverly Hills, CA: Sage.

BYRNE, M.B. (2004). Testing for Multigroup Invariance Using AMOS Graphics: A Road Less Traveled.
Structural Equation Modeling: A Multidisciplinary Journal, 11 (2), 272-300.

CATTELL, R.B. (1956). Validation and Intensification of the Sixteen Personality Factor Questionnaire.
Journal of Clinical Psychology, 12, 205-214.

CARMINES, E., McIVER, J. (1981). Analyzing Models with Unobserved Variables: Analysis of Covariance
Structures. In G. Bohrnstedt and E. Borgatta (Eds.), Social Measurement: Current Issues. Beverly Hills, CA:
Sage.

CHEUNG, G.W., RENSVOLD, R.B. (2002). Evaluating Goodness-of-Fit Indexes for Testing Measurement
Invariance. Structural Equation Modeling, 9 (2), 233-255.

DRASGOW, E. (1984). Scrutinizing Psychological Tests: Measurement Equivalence and Equivalent

Relations with External Variables are the central issues. Psychological Bulletin, 95, 134-135.

GRIFFIN, M., BABIN, B.J., MODIANOS, D. (2000). Shopping Values of Russian Consumers: The impact
of Habituation in a Developing Economy. Journal of Retailing, 76, 33-52.

HAIR, J., BLACK, B., BABIN, B., ANDERSON, R. (2010). Multivariate Data Analysis, 7ª Ed. Upper Saddle
River, NJ: Ed. Prentice Hall.

67
 HAYDUK, L.A. (1987). Structural Equation Modeling with LISREL. Baltimore: Johns Hopkins University
Press.

HEISE, D.R. (1975). Causal Analysis. New York, NY: Willey.

HORN, J.L., McARDLE, J.J. (1992). A practical and theoretical guide to Measurement Invariance in Aging
research. Experimental Aging Research, 18, 117-144.

HU, L.-T., BENTLER, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis:
Conventional criteria versus new alternatives. Structural Equation Modeling, 6, 1–31.

HUI, C.H., TRIANDIS, H.C. (1985). Measurement in Cross-Cultural Psychology: A review and comparison
of strategies. Journal of Cross-Cultural Psychology, 16, 131-152.

JÖREKSOG, K.G. (1970). A General Method for Analysis of Covariance Structures. Biometrika, 57, 239-
251.

McCALLUM, R., ROSNOWSKI, M., MAR, C., REITH, J. (1994). Alternative Strategies for Cross-
Validation of Covariance Structure Models. Multivariate Behavioral Research, 29, 1-32.

LÉVY-MANGIN, J.P. (2001). Modelización y Programación estructural con Amos. Madrid: Editorial Erica.

LÉVY MANGIN, J. P., VARELA-MALLOU, J. (2003). Análisis Multivariable para las Ciencias Sociales.
Madrid: Ed. Pearson.

MEREDITH, W. (1993). Measurement Invariance, Factor Analysis and Factorial Invariance. Psychometrika,
58, 525-543.

STEENKAMP, J.E., VAN TRIJP, H.C. (1991). The use of LISREL in Validating Marketing Constructs.
International Journal of Research in Marketing, 8 (4), 283-299.

STEENKAMP, J.B., BAUMGARTNER, H. (1998). Assessing Measurement Invariance in Cross-Cultural

Research. Journal of Consumer Research, 25, 78-79.

VANDENBERG, R.J., LANCE, C.E. (2000). A Review and Synthesis of the Measurement Invariance
Literature: Suggestions, Practices and Recommendations for Organizational Research. Organizational
Research Record, 3, 4-69.

WEATHON, B. (1987). Assessment of Fit in Overidentified Models with Latent Variables. Sociological
Methods and Research, 16, 118-154.

68

View publication stats