Los modelos de ecuaciones estructurales y su aplicación en el

Índice Europeo de Satisfacción del Cliente

Mercedes Casas Guillén

Facultad de Económicas
Universidad San Pablo CEU
Julián Romea – 23
91 456 63 00 – Ext. 424
mcasas@ceu.es

Las empresas elaboran planes estratégicos que requieren conocer el grado de

satisfacción que sus productos y servicios provocan en los clientes, esto ha llevado a las
instituciones de los países desarrollados a elaborar indicadores estadísticos que midan la
satisfacción. La elaboración del Índice Europeo de Satisfacción del Cliente (ECSI) tiene
su origen en la necesidad de disponer de información periódica, desglosada y
comparable, relativa a la calidad de los diferentes sectores económicos europeos, desde
la perspectiva de la satisfacción del cliente en las empresas de servicios. El ECSI se
construye a partir de un modelo de ecuaciones estructurales que relaciona los
componentes de la satisfacción.
Las diferentes variables del modelo estructural subyacente en el ECSI, toman
como variable principal o resultado, la componente satisfacción, y consideran además,
la imagen, las expectativas del cliente, la calidad percibida “hardware” y “software”, el
valor percibido y la fidelización del cliente. La estimación de los parámetros del modelo
se realiza empleando ecuaciones lineales simultáneas (Partial Least Squares. PLS).

Palabras resumen: ECSI, satisfacción, fidelización, calidad, modelos

estructurales, ecuaciones lineales simultáneas, análisis causal, PLS.

1. INTRODUCCIÓN: INVESTIGACIÓN NO EXPERIMENTAL Y

CAUSALIDAD

Una de las finalidades de las investigaciones empíricas es el descubrimiento de

relaciones causales entre las variables objeto de estudio, lo cual es asequible cuando
trabajan con conceptos experimentalmente controlables como los fenómenos físicos, sin
embargo sobre las variables analizadas en las ciencias sociales y del comportamiento no
es posible ejercer un control, por lo que es necesario desarrollar otro tipo de análisis
metodológico. Las ciencias sociales estudian con frecuencia conceptos no físicos y
abstractos denominados constructos, que sólo pueden medirse de forma indirecta a
través de indicadores. Los Modelos de Ecuaciones Estructurales constituyen una
herramienta útil para el estudio de relaciones causales de tipo lineal sobre estos
conceptos. Estos modelos no prueban la causalidad, pero ayudan al investigador en la
toma de decisiones, rechazando las hipótesis causales cuando se contradicen con los
datos, esto es, con la estructura de covarianzas o correlaciones subyacente entre las
variables.

1
 1.1 Noción de causalidad

Existen muchas variables que tienden a moverse conjuntamente pero la mera

asociación estadística entre variables no es una condición suficiente para que exista
causalidad. “La condición suficiente y necesaria del principio de causalidad podría ser
expresada en estos términos: una variable A es causa de B si siempre que se da A
acontece B, y nunca acontece B si previamente no se ha dado A”1. Únicamente existe
relación causal en el sentido A → B, puesto que la causalidad es asimétrica. Sin
embargo, no es posible distinguir entre regularidades aisladas en la ocurrencia de dos
fenómenos y una relación causal, por lo que, podemos decir que existe causalidad
cuando se halla una relación entre dos variables y se ha podido descartar que sea
espúrea o no causal.

1.2 Tipos de relaciones causales. Análisis Path

El concepto de análisis causal en las ciencias sociales hace referencia al conjunto

de estrategias y técnicas de elaboración de modelos causales que expliquen los
fenómenos, con objeto de contrastarlos empíricamente. Sus orígenes se encuentran en el
“path-analysis”, literalmente traducido como análisis de senderos, cuyo objeto es el
estudio de los efectos de unas variables consideradas como causas sobre otras tomadas
como efectos. La variable que es efecto se denomina variable dependiente, endógena o
explicada y las que originan o causan a la anterior, son las variables independientes,
exógenas o explicativas. El análisis path es una técnica similar a la regresión pero con
poder explicativo, que estudia los efectos directos e indirectos en el conjunto de las
variables observables, asumiendo la existencia de relaciones lineales entre ellas, la
incorrelación de los errores de regresión y la ausencia de errores de medición de las
variables. Los coeficientes path (Cij: donde i se refiere a la variable efecto y j a la
variable causa) explican el impacto de una variable en otra mediante la descomposición
de los mismos en tres bloques: path de la variable independiente a la intermedia, path de
la intermedia a la dependiente y resto de path que llevan a la variable final, que no
incluyen a la interviniente. Se pueden obtener las diferentes correlaciones entre las
variables analizando el conjunto de los efectos, sean directos, indirectos o espúreos,
empleando los coeficientes path 2.

Los efectos causales entre las variables podemos agruparlos en directos,

indirectos y espúreos, considerando para esta investigación solamente aquellos que no
contemplan reciprocidad entre las variables se pueden representar empleando diagramas
de rutas:

a) Relación directa: b) Relación causal indirecta:

e1 causa e2 e1 causa e2 a través del efecto de e3
e1 e2 e1 e2

c) Relación espúrea o no causa entre e1 y e2: e3

e3 provoca efecto sobre e1 y e2

e1 e2

e3

2
2. MODELIZACIÓN CON ECUACIONES ESTRUCTURALES Y VARIABLES
LATENTES

El estudio de las relaciones causales tiene su origen en la técnica del análisis

multivariante planteado para trabajar con datos experimentales, que examina el efecto
de una variable explicativa sobre la explicada, y en qué medida la variación observada
de ésta es debida a los cambios producidos en aquélla. Tanto las técnicas de regresión
como el path-análisis son categorías de lo que se han denominado de forma global
modelos de ecuaciones estructurales, que analizan las relaciones causales y no causales
entre variables tomadas como indicadores de medida de los constructos, excluyendo del
análisis el error de medición.

El investigador, basándose en su conocimiento teórico, diseña el modelo que

intenta representar de forma sencilla la realidad subyacente en las variables latentes,
especificando las relaciones entre ellas. La hipótesis de partida de todos estos modelos
es que reproducen exactamente la estructura de varianzas y covarianzas de las variables
objeto de estudio, aunque no corroboran ni contradicen la existencia de causalidad. Para
la estimación y contrastación de estos modelos, se han desarrollado diferentes
aplicaciones o programas, de los que destacan LISREL, EQS o AMOS, siendo este
último el utilizado en la elaboración del Modelo ECSI.

La modelización según ecuaciones estructurales sigue una metodología que pasa

por diferentes etapas: especificación, identificación, estimación de parámetros,
evaluación del ajuste, reespecificación del modelo e interpretación de resultados.

2.1 Especificación del modelo

En esta fase el investigador aplica sus conocimientos teóricos del fenómeno

estudiado al planteamiento de las ecuaciones matemáticas relativas a los efectos
causales de las variables latentes y a las expresiones que las relacionan con los
indicadores o variables observables. Además se formulan enunciados sobre el conjunto
de parámetros, decidiendo entre los que serán libres para ser estimados o fijos, a los que
se les asignará un valor dado, normalmente cero. Asimismo, en esta etapa se especifican
los supuestos estadísticos sobre las fuentes de variación y en concreto sobre la forma de
distribución conjunta, que en la mayoría de las técnicas empleadas se considera
normalidad multivariante. Por último se precisará el comportamiento de las variables no
incluidas en el modelo, cuyo efecto se recoge en los términos del error de medida o de
perturbación.

La claridad del modelo viene determinada por el grado de conocimiento teórico

que posea el investigador sobre el tema de estudio, si la información es poco exhaustiva
o detallada, la asignación de los parámetros será confusa a priori, por lo que el
investigador debe realizar diversos análisis exploratorios de los datos hasta configurar el
modelo, y efectuar el análisis confirmatorio del mismo.

3
 2.1.1 Diagrama, modelo de medida y modelo estructural

Podemos plantear el modelo de ecuaciones estructurales de distintas formas,

complementarias entre sí, mediante diagrama, matricialmente y proponiendo un sistema
de ecuaciones simultáneas. Los elementos que componen un modelo causal hipotético
son los siguientes:

δ1 X1 Y1 ε2

λ11 ξ1 γ11 η1
δ2 Y2 ε2
X2
λ21 φ21 ζ1
γ12 β21 ζ2 ψ21

ξ2 η2

- Variables latentes: endógenas η, exógenas ξ

- Variables observadas: endógenas Y, exógenas X.
- Errores de medida: variables observadas endógenas ε, variables observadas exógenas δ .
- Término de perturbación: ζ, que incluye los efectos de las variables omitidas, los errores de
medida y la aleatoriedad del proceso especificado. La variación en el término de perturbación se
simboliza por ψ y la covariación entre los términos de perturbación i-ésimo y j-ésimo se denota
por ψi j
- Coeficiente de regresión: λ, que relaciona las variables latentes con los indicadores.
- Coeficientes de regresión γ, β,φ que relacionan las variables latentes entre sí, y las variables
observadas entre sí.

El modelo de ecuaciones estructurales está compuesto por dos sub-modelos que

pueden expresarse de forma matricial, por ser la más abreviada, según la formulación
LISREL como:3

I. Modelo estructural: ETA = BE * ETA + GA * KSI + ZE

- Matriz de variables latentes endógenas (ETA)

- Matriz de variables latentes exógenas (KSI)
- Matriz de coeficientes de regresión entre variables endógenas (BE), los coeficientes de regresión
entre variables exógenas y variables endógenas (GA),
- Coeficientes residuales (ZE).

II. Modelo de medición: x = LX * KSI + D; y = LY * ETA + E

- Matriz de indicadores exógenos (x) y endógenos (y)

- Matriz de factores latentes exógenos (KSI) y endógenos (ETA)
- Coeficientes de regresión entre factores exógenos y sus indicadores (LX), entre factores
endógenos y sus indicadores (LY)
- Errores de medición para los indicadores exógenos (D), y para los indicadores endógenos (E).

4
 2.1.2 Supuestos previos a la estimación

Como supuestos de partida hay que considerar cero las covarianzas entre los
factores exógenos y los términos de perturbación aleatoria, y las covarianzas de los
factores exógenos y errores de medida, al igual que se hacen cero el valor esperado de
los errores de medición y de los términos de perturbación aleatoria. Las variables
independientes se toman centradas (no estandarizadas), es decir, su valor esperado es
cero. Las distribuciones de las variables explicativas, términos de perturbación y errores
de medida, se asumen normal multivariante, y la ausencia de este supuesto no lleva a
sesgos en la estimación, pero sí afecta a la eficiencia de los estimadores y a los
contrastes de hipótesis.

2.2 Identificación del modelo

Si el modelo teórico creado es correcto, se procede a la identificación del

modelo, en donde nos debemos asegurar que pueden ser estimados los parámetros del
modelo. El modelo está identificado si todos los parámetros lo están4, es decir, si existe
una solución única para cada uno de los parámetros estimados. Determinar si un modelo
está identificado debe estudiarse antes de la recogida de datos, en donde se debe
comprobar que al menos se dispone para cada parámetro de una expresión algebraica
que lo exprese en función de las varianzas y covarianzas muestrales. Si llamamos “p” al
número de variables observadas o indicadores, cuando ½*[p*(p+1)] es mayor o igual al
número de parámetros a estimar, no hay seguridad sobre la identificación del modelo.
Existen una serie de reglas generales aplicables para identificar un modelo, una de ellas
es la regla de los grados de libertad, obtenidos como la diferencia entre el número de
varianzas y covarianzas (ecuaciones) y el número de parámetros a estimar. Es una
condición necesaria pero no suficiente. Cuando g<0, serán modelos infraidentificados,
cuando g=0, los modelos son posiblemente identificados, y cuando g>0 el modelo está
sobreidentificado. Otra regla que es condición suficiente pero no necesaria, es que si el
modelo es recursivo está identificado, siendo este tipo de modelos aquellos que no
contienen efectos circulares o recíprocos entre sus variables.

2.3 Etapa de estimación del modelo

Partiendo de que el modelo está identificado, cada uno de los parámetros tendrá
un valor único. Si conociésemos los valores de los parámetros del modelo correcto y las
varianzas y covarianzas poblacionales, entonces cada elemento de esta matriz sería
idéntico al reproducido en la matriz del modelo, pero como la poblacional no es
conocida la aproximamos por la matriz de varianzas y covarianzas muestral. El proceso
de estimación consiste en la obtención de aquellos valores p de los parámetros π que
ajusten lo mejor posible a la matriz observada, por la que aquellos reproducen. La
estimación de coeficientes se realiza mediante procedimientos iterativos de
minimización de desviaciones, bajo la hipótesis de que nuestro modelo es correcto. Tras
la fase de estimación, los tests de bondad del ajuste nos permitirán decidir si la falta de
identidad entre la matriz de varianzas y covarianzas muestral y la generada por el
modelo, se debe al azar o a la inadecuación del modelo.

5
 Se pueden emplear diferentes funciones de ajuste entre las matrices implicada y
observada, aunque todas siguen una estructura similar, la expresión genérica que se
minimiza es del tipo:5 F = (S-Σ(p))’ W (S-Σ(p)), en donde S es la matriz observada, Σ(p)
la matriz implicada, (S-Σ(p)) son los vectores de residuos y W es la matriz de
ponderación.

Según el método de estimación mínimos cuadrados no ponderados, la matriz de

ponderación es la matriz identidad, W = I. Si empleamos el procedimiento de mínimos
cuadrados ponderados bajo normalidad la matriz de ponderación es la inversa de la
matriz observada W=(S⊗S)-1. Otro criterio seguido es el de máxima verosimilitud, bajo
el supuesto de normalidad multivariante, en donde la matriz de ponderación es la
inversa de la matriz implicada, W=(S(p)⊗Σ(p))-1. En el caso del método de distribución
libre asintótica, la matriz de ponderación es la inversa de una función de los momentos
de cuarto orden de las variables observables.

2.4 Evaluación del modelo

La etapa de diagnóstico de la bondad del ajuste se refiere a la exactitud de los

supuestos del modelo especificado para determinar si el modelo es correcto y sirve
como aproximación al fenómeno real precisando así su poder de predicción. Si el
modelo es correcto y la muestra suficientemente grande, existe una transformación del
mínimo de la función de ajuste, llamada estadístico χ2 de bondad del ajuste, que sigue
una distribución chi-cuadrado con los mismos grados de libertad g que el modelo. La
hipótesis nula a contrastar es que el modelo es bueno, y cuanto mayor sea el valor
obtenido del estadístico χ2 en comparación con los grados de libertad, peor será el
ajuste.

Las técnicas de evaluación del modelo pueden ceñirse a una valoración global de
la bondad del ajuste o extenderse al análisis detallado de los parámetros y residuos del
modelo, con el objetivo de determinar si se han impuesto las restricciones necesarias al
modelo, y si las estimaciones de los parámetros son susceptibles de interpretación
plausible y útil para el investigador. A partir del estadístico chi-cuadrado podemos
obtener otros indicadores de bondad de ajuste que comparan el valor obtenido de χ2
para el modelo, con el del modelo base que supone la no-asociación entre las variables
del modelo (caso peor). Entre estas medidas encontramos el índice de ajuste normado
(NFI), el índice de ajuste no normado (NNFI) y el índice de no centralidad relativo
(RNI). Si realizamos un diagnóstico detallado, podemos emplear otros contrastes para
ver la significación de parámetros adicionales, como por ejemplo el test de razón de
verosimilitud, el test de los multiplicadores de Lagrange, test de Wald, etc.

4. MODELO ESTRUCTURAL SUBYACENTE DEL ECSI

El modelo E.C.S.I. mide la satisfacción del cliente en el el campo de la calidad

percibida de los servicios, proporcionando un nivel global de la satisfacción y
explicando las relaciones de causalidad con sus componentes. El fundamento teórico de
la elaboración de un indicador de la satisfacción radica en el paradigma de la

6
desconfirmación, mediante el cual el cliente configura su nivel de satisfacción, en
función de la calidad percibida tras la experiencia de prestación del servicio.

4.1 Definición de las variables del modelo y sus relaciones causales

El primer paso para elaborar el ECSI ha sido la conceptualización de las variables

latentes y sus relaciones6:

a) Expectativas: nivel de referencia que espera el consumidor del producto o

servicio que adquiere, antes de efectuar la compra. La expectativa produce un
efecto directo sobre la calidad percibida del servicio, en el valor del servicio y en
la satisfacción.
b) La calidad percibida: componente clave que determina la satisfacción del
cliente según la forma en que éste haya experimentado el servicio; influye en la
satisfacción a través de dos vías, una directa y otra indirecta vía valor del
servicio, en función de la evaluación de la calidad-precio del servicio que realice
el cliente. El modelo diferencia entre dos subcomponentes de calidad percibida:
1. Calidad percibida “hardware” o calidad del “producto”: núcleo “duro”
del servicio en cuanto a las características genéricas del servicio que se ofrece.
2. Calidad percibida “software” o calidad del “servicio”: aspectos específicos
de la prestación del servicio en sí mismo como la atención personalizada, la
distribución, los servicios de información, etc.
c) Valor del servicio: relación calidad-precio que el cliente extrae tras el servicio
recibido, actúa como variable interviniente entre la calidad percibida y la
satisfacción del cliente.
d) Imagen del servicio: componente intangible que evalúa la imagen de marca que
tiene el consumidor sobre la empresa en su conjunto y los productos o servicios
que ofrece. En el modelo es una variable exógena o independiente con efecto
directo sobre todas las demás que a largo plazo incidirá en la fidelización del
cliente con la empresa.
e) Satisfacción del cliente: es la variable resultante que evalúa la actitud o estado
psicológico del consumidor tras su experiencia con el servicio.
f) Fidelización del cliente: es la variable de rendimiento del índice de satisfacción
y mide la capacidad que tiene la empresa de retener a sus clientes, en función del
nivel alcanzado en ese índice7.

Imagen

ζ 3.206
1.666
ζ
0.72
ζ ζ

Expectativas
0.64
2.275
1.417 Satisfacción Fidelización
0.92
Valor
2.353 3.114 Servicio

2.391 0.71

1.04
Calidad del 0.11
ζ
Servicio

Calidad del
Producto ζ

7
 4.2 Operacionalización de las variables latentes

Los siete componentes del índice son por tanto variables latentes, medidas cada
una por dos o tres indicadores, en cada caso. El Plan de operacionalización de las
variables latentes en indicadores, se ha realizado mediante la utilización de un
cuestionario realizado a los usuarios de los servicios, de forma que los diferentes
indicadores son los ítems o preguntas efectuadas:

Variables latentes Indicadores (Items del cuestionario)

Satisfacción: variable principal
Imagen: variable exógena
Expectativas del cliente
Calidad percibida del producto
“Hardware”
Calidad percibida del servicio
“Software”
Valor percibido
Fidelización del cliente
Q3. Satisfacción global
Q6 Cumplimiento de expectativas
Q16 Compañía respecto de la ideal
Q4a Avanzada tecnología
Q4b Buen servicio al cliente
Q4c Buena relación calidad-precio
Q5a Expectativas sobre la calidad de las llamadas
Q5b Expectativas sobre la atención al cliente
Q5c Expectativas globales
Q7c Gama de servicios
Q7d Calidad técnica
Q7b Atención personal
Q8a Relación atención al cliente-precio
Q8b Relación funcionamiento de servicos-precio
Q8c Relación global calidad de servicio-precio
Q10 Repetición de compra/utilización
Q11 y Q12 Sensibilidad al precio

4.3 Formulación del Modelo: Modelo de medición + Modelo estructural

Para poder obtener una medida de los constructos o variables latentes del ECSI,
es necesario plantear las expresiones que relacionan cada uno de estos conceptos con
sus indicadores, es decir, elaborar el modelo estructural y el modelo de medición que
subyacen en el ECSI.

1. Modelo de medición: Especifica las ecuaciones que vinculan las variables latentes a
las observadas o indicadores x e y, expresado de forma matricial sería:
x = Λ xξ + δ
y = Λ yη + ε

ξ: imagen la variable latente exógena, η: las variables latentes endógenas.

Λx la matriz de coeficientes de los indicadores de la variable exógena
Λy matrices de coeficientes de los indicadores de variables endógenas
δ y ε son los errores de medida.

2. Modelo estructural: Especifica las ecuaciones causales lineales entre las variables
latentes del modelo.

8
 η = βη + τξ + υ
Siendo:
η : variables endógenas
β : matriz de coeficientes de las variables endógenas
τ : matriz de coeficiente de la variable exógena
ξ : variable exógena
υ : término perturbación aleatoria

Las ecuaciones estructurales propuestas para el modelo serían las siguientes:

Imagen = Imagen
Expectativa = γ10 Imagen + ζ1
Calidad producto = γ31 Expectativa + ζ3
Calidad servicio = γ21 Expectativa + ζ2
Valor del servicio = γ41 Expectativa + γ42 Cal servicio + γ43 Cal producto + ζ4
Satisfacción = γ50 Im + γ51 Exp +γ5,4 Val + γ52 Cal serv + γ43 Cal prod + ζ5
Fidelización = γ60 Imagen + γ65 Satisfacción + ζ6

4.4 Estimación de los parámetros del modelo

En el modelo ECSI el criterio de estimación seguido ha sido el de Mínimos

Cuadrados Parciales, aunque previamente, han sido aplicados sobre los mismos datos
otros tres métodos de estimación, con objeto de verificar la bondad del ajuste: Máxima
Verosimilitud, Mínimos Cuadrados Generalizados, y Distribución Libre Asintótica. El
procedimiento ha sido estimar a la vez los valores de las variables independientes a
partir de los valores estimados de la variables latentes dependientes, empleando un
procedimiento de iteración en el que el algoritmo asigna valores a los ponderadores de
los indicadores, hasta encontrar una convergencia estable. Los resultados de la
estimación han sido obtenidos por la Escuela Estadística de Estocolmo, depositaria del
programa informático necesario para tal fin.

4.5 Ajuste del modelo

Existen diversos programas informáticos para ajustar modelos: EQS, LISREL,

AMOS, CALIS, etc. En la elaboración del ECSI se ha seguido el programa AMOS por
la posibilidad de trabajar con diagramas. La evaluación del modelo se ha efectuado
utilizando diversos índices:
- Índice de Ajuste Normado como medida de discrepancia entre el modelo
ajustado y el modelo base (NFI: Normed Fit Index).
- Índice de Bondad de Ajuste, similar al anterior, compara las discrepancias entre
el modelo ajustado y el modelo anterior al ajuste (GFI: Goodness of Fit Index).
- Índice ajustado de Bondad del Ajuste, es el mismo indicador que el anterior pero
ponderado por un ratio de los grados de libertad del modelo base y ajustado
(AGFI: Adjusted Goodness of Fit Index).
- Índice del ajuste parsimónico, obtenido a partir del índice NFI y ponderado por
el cociente de los grados de libertad del modelo ajustado y el modelo base
(PNFI: Parsimonius Normed Fit Index).

9
 - Índice del Radical del error de aproximación medio, que se obtiene como la raiz
cuadrada de la ratio del parámetro no central ajustado por los grados de libertad.
(RMSEA: Root Mean Square Error Aproximation).

5. RESUMEN Y CONCLUSIONES

La utilidad de los modelos de ecuaciones estructurales para el investigador social

radica en la aportación de una visión global de los aspectos del fenómeno estudiado, en
contraposición a otro tipo de herramientas estadísticas que se centran en el análisis
individual de cada factor. Asimismo, reducen la cantidad de información que debe ser
analizada, ya que su fundamento es agrupar las relaciones entre un gran número de
variables en unos pocos factores, poniendo de relieve los aspectos esenciales de la
situación explicada. En el caso del estudio de constructos o variables no medibles
directamente, estos modelos tienen la ventaja de carecer del error de medición, pero el
inconveniente de que el investigador debe proceder a la explicación objetiva de
relaciones causales entre variables que se caracterizan por su abstracción y subjetividad.

En lo que respecta al estudio de la causalidad, la función de los modelos de

ecuaciones estructurales no es corroborar las relaciones causales entre las distintas
variables, sino facilitar su análisis y toma de decisiones, para lo cual es necesario un
análisis exploratorio de los datos y que el proceso de modelización sea seguido con
rigor. En ocasiones la confirmación de un modelo de este tipo se ha considerado como
una prueba de validez, sin tener en cuenta que podrían ser igualmente válidos otros
modelos alternativos, puesto que las pruebas de significación sólo son efectivas cuando
se cumplen las condiciones especificadas.

6. BIBLIOGRAFÍA

- BATISTA FOGUET, Joan Manuel, COENDERS GALLART, Germá (2000). Modelos

de Ecuaciones Estructurales. Cuadernos de Estadística 6, Editorial La Muralla SA,
Madrid
- BISQUERRA, R. (1989). Introducción conceptual al análisis multivariable. Vol. II,
PPU, Barcelona
- CARRERAS, E. (1999). Fundamentos Metodológicos de la Evaluación. La evaluación
postpositiva: E.C.S.I., Tesis doctoral, Facultad de Ciencias Políticas y Sociología,
Universidad Complutense de Madrid
- DÍEZ MEDRANO, J. (1992). Métodos de análisis causal. Cuadernos Metodológicos,
CIS, Madrid
- LÉVY MANGIN, J.P. (1999). Modelización con Ecuaciones Estructurales y
Variables Latentes. CD-Rom , Colección Universidad, Editorial Erica
- LOEHLIN, JOHN C. (1998). Latent Variable Models. An Introduction to Factor,
Path, and Structural Analysis. Lawrence Erlbaum Associates Inc., Publishers, New
Jersey.
1
BISQUERRA, R. (1989). Introducción conceptual al análisis multivariable. Vol. II, PPU, Barcelona.
Pág. 481
2
Véase: LÉVY MANGIN, J.P. (1999). Modelización con Ecuaciones Estructurales y Variables Latentes.
CD-ROM , Colección Universidad, Editorial Erica, págs. 217-218.

10
3
DÍEZ MEDRANO, J. (1992). Métodos de análisis causal. Cuadernos Metodológicos, CIS, Madrid. Pág.
61.
4
BATISTA, J.M. y COENDERS, G. (2000). Modelos de ecuaciones estructurales. Cuadernos de
estadística, 6, La Muralla, Madrid, pág. 68.
5
BATISTA, J.M. y COENDERS, G. (2000). Modelos de ecuaciones estructurales. Cuadernos de
estadística, 6, La Muralla, Madrid, pág. 73.
6
Véase CARRERAS, E. (1999). Fundamentos Metodológicos de la Evaluación. La evaluación
postpositiva: E.C.S.I., Tesis doctoral, Facultad de Ciencias Políticas y Sociología, Universidad
Complutense de Madrid, págs. 459-460.
7
Véase CARRERAS, E. (1999). Fundamentos Metodológicos de la Evaluación. La evaluación
postpositiva: E.C.S.I., Tesis doctoral, Facultad de Ciencias Políticas y Sociología, Universidad
Complutense de Madrid, pág. 493

11