¿cuándo hacer sem?

Inicio » ¿cuándo hacer sem?

wiki de modelización de ecuaciones estructurales

El objetivo de este artículo es ofrecer una visión general, completa pero concisa, de las consideraciones y métricas necesarias para el análisis y la presentación de resultados del modelo de ecuaciones estructurales por mínimos cuadrados (PLS-SEM). En primer lugar, se resumen las consideraciones preliminares, incluidas las razones para elegir el PLS-SEM, el tamaño de la muestra recomendado en determinados contextos, los supuestos de distribución, el uso de datos secundarios, la potencia estadística y la necesidad de realizar pruebas de bondad de ajuste. A continuación, se tratan las métricas y las reglas empíricas que deben aplicarse para evaluar los resultados del PLS-SEM. Además de presentar los criterios de evaluación de PLS-SEM establecidos, el resumen incluye las siguientes directrices nuevas: PLSpredict (es decir, un nuevo enfoque para evaluar la predicción fuera de la muestra de un modelo), métricas para la comparación de modelos y varios métodos complementarios para comprobar la solidez de los resultados.

La mayoría de las métricas aplicadas anteriormente para evaluar los resultados del PLS-SEM siguen siendo pertinentes. No obstante, los académicos deben conocer las métricas (por ejemplo, los criterios de comparación de modelos) y los métodos (por ejemplo, la evaluación de la endogeneidad, el análisis de clases latentes y el PLSpredict) propuestos recientemente, y cuándo y cómo aplicarlos para ampliar sus análisis.

modelización de ecuaciones estructurales (sem)

Figura 1. Un ejemplo de modelo de ecuaciones estructurales. Las variables latentes se indican normalmente con óvalos y las variables observadas se muestran en rectángulos. Los residuos y las varianzas se dibujan como flechas de dos cabezas (mostradas aquí) o flechas simples y un círculo (no se utilizan aquí). Obsérvese que la varianza latente del CI se fija en 1 para dar escala al modelo. La Figura 1 muestra los errores de medición que influyen en cada indicador de inteligencia latente y en cada indicador de rendimiento latente. Ni los indicadores ni los errores de medición de los indicadores se modelan como influyentes en las variables latentes, pero podrían hacerlo si el investigador optara por modelarlos.

El modelado de ecuaciones estructurales (SEM) es una etiqueta para un conjunto de métodos diversos utilizados por los científicos en la investigación experimental y observacional en las ciencias,[1] los negocios,[2] y otros campos. Se utiliza sobre todo en las ciencias sociales y del comportamiento. Una definición de SEM es difícil sin hacer referencia a un lenguaje muy técnico, pero un buen punto de partida es el propio nombre.

paquete sem r

ResumenAntecedentesEl modelado de ecuaciones estructurales (SEM) es un conjunto de técnicas estadísticas utilizadas para medir y analizar las relaciones de variables observadas y latentes. Similar pero más potente que los análisis de regresión, examina las relaciones causales lineales entre las variables, al tiempo que tiene en cuenta el error de medición. El propósito del presente artículo es explicar el MEB a los investigadores de las ciencias médicas y de la salud y ejemplificar su aplicación.ConclusionesPara facilitar su uso, ofrecemos una serie de pasos para aplicar el MEB a los problemas de investigación. A continuación, presentamos tres ejemplos de cómo se ha utilizado el MEB en la investigación de las ciencias médicas y de la salud.ConclusiónCuando se tienen en cuenta muchas consideraciones en la planificación de la investigación, el MEB puede proporcionar una nueva perspectiva en el análisis de los datos y el potencial para hacer avanzar la investigación en las ciencias médicas y de la salud.

Donde Σ es la matriz de covarianza poblacional de las variables observadas, θ es un vector que contiene los parámetros del modelo, y Σ (θ) es la matriz de covarianza escrita en función de θ. Esta sencilla ecuación permite la aplicación de un enfoque matemático y estadístico general para el análisis del sistema de ecuaciones estructurales lineales mediante la estimación de los parámetros y el ajuste de los modelos. La estimación se puede clasificar por el tipo de distribución (multinormal, elíptica, arbitraria) que se asume de los datos y la matriz de pesos utilizada durante los cálculos. La función a minimizar viene dada por:

modelización de ecuaciones estructurales

Me gustaría probar si los factores latentes de los tipos de variables están correlacionados entre sí (o si se puede fijar la correlación en 0). Una complicación adicional es que las variables latentes c a f comparten otra variable latente (denominada c.a.f) y sólo quiero probar la correlación entre a, b y c.a.f.

Un CFA es bastante fácil de hacer en R con OpenMx, sem, o lavaan. Dado que un CFA es un caso tan sencillo de SEM, los tres son bastante fáciles de implementar y ofrecen guías útiles en sus respectivas documentaciones. Yo personalmente utilizo OpenMx o lavaan. Una cosa que hay que tener en cuenta si se utiliza OpenMx es que no le dará estadísticas de ajuste por defecto, tiene que especificar un modelo saturado primero (o utilizar el paquete semTools para hacerlo por usted).

Debido a que OpenMx no ha sido actualizado para la versión 3 de R todavía (a menos que se compile desde el código fuente), aquí hay un ejemplo tomado del tutorial de lavaan. Es un CFA con 3 variables latentes con tres indicadores, con covarianzas entre las tres latentes. Puede encontrar más información sobre el conjunto de datos utilizado en el enlace anterior.

Ir arriba