Análisis causal

La técnica de ecuaciones estructurales.

El contraste de un modelo teórico que permita establecer la relación precisa que se da entre las variables predictoras, y de éstas con el criterio, exige la formulación de un modelo estructural que tenga en cuenta los efectos directos e indirectos entre las variables. La estimación de los parámetros del modelo se lleva a cabo a partir de la definición de un sistema de ecuaciones estructurales que recoge las relaciones establecidas en el modelo teórico, y mediante el uso de la técnica estadística del análisis de estructuras de covarianza (Bentler y Dudgeon, 1996; Jöreskog, 1978; MacCallum y Austin, 2000). Para ello se emplea el programa EQS, Versión 4.2, desarrollado por Bentler (1993).

Representación 

Se establece la representación estructural correspondiente al modelo teórico inicial sobre las relaciones entre las variables consideradas. Este modelo estructural toma como referencia, por una parte, el modelo teórico sobre la adquisición de la competencia experta, por otra, los resultados de los análisis de regresión múltiple, a partir de los cuales se identifican como variables predictoras las cuatro variables incluidas en el modelo. Como podemos apreciar se han renumerado las variables, debido a que en este análisis únicamente se incluyen las variables previamente seleccionadas.

Según el esquema estructural representado en la figura 12, hay una variable exógena .que no recibe influencia de otras variables-, V1 (inteligencia práctica), tres variables endógenas, V2 (similitud conceptual), V3 (motivación) y V4 (percepción del ambiente de enseñanza-aprendizaje), y una variable criterio, V5, que es la puntuación total alcanzada en la prueba de conocimientos correspondiente. Todas las variables son observadas, no se incluye ningún factor latente. La variable exógena tiene varianza (*), mientras que las variables endógenas están afectadas por los errores de predicción (E).

La técnica de Ecuaciones Estructurales (Structural Equation Modeling, SEM en inglés) es una poderosa herramienta estadística utilizada en la investigación para evaluar y validar modelos teóricos que implican relaciones entre variables latentes y observadas. SEM combina elementos de análisis factorial, análisis de regresión y análisis de trayectoria para examinar las relaciones entre variables y evaluar la idoneidad de un modelo teórico. Aquí se describen los conceptos clave y el proceso de SEM:

1. Variables Latentes y Observadas: En SEM, se trabajan con dos tipos de variables: variables latentes y observadas. Las variables latentes son constructos teóricos no observables que se representan mediante múltiples variables observadas o indicadores. Por ejemplo, la «satisfacción laboral» puede ser una variable latente que se mide mediante preguntas sobre el ambiente de trabajo, el salario, la relación con los colegas, etc.
2. Modelo Teórico: SEM se utiliza para probar un modelo teórico que describe las relaciones entre variables latentes y observadas. El modelo teórico se representa gráficamente mediante diagramas de trayectoria (también llamados modelos de camino) que muestran las flechas que representan las relaciones hipotéticas entre las variables.
3. Estimación de Parámetros: SEM estima los parámetros del modelo, incluyendo coeficientes de regresión, varianzas y covarianzas entre variables latentes y observadas. Esto se hace utilizando técnicas de máxima verosimilitud o mínimos cuadrados parciales, dependiendo de la naturaleza de los datos y las suposiciones del modelo.
4. Idoneidad del Modelo: Una parte crítica de SEM es la evaluación de la idoneidad del modelo. Esto implica comparar los datos observados con los valores predichos por el modelo. Se utilizan diversas estadísticas y pruebas, como el índice de ajuste chi-cuadrado, el índice de ajuste comparativo (CFI), el índice de ajuste Tucker-Lewis (TLI) y otros, para evaluar la adecuación del modelo. Un buen modelo ajustado se ajustará bien a los datos observados.
5. Interpretación de Resultados: Una vez que se ha evaluado la idoneidad del modelo, se pueden interpretar los resultados. Esto incluye la interpretación de coeficientes de regresión, correlaciones entre variables, efectos indirectos y directos, y cualquier otro aspecto del modelo que sea relevante para la pregunta de investigación.
6. Modificación del Modelo: En caso de que el modelo no se ajuste adecuadamente a los datos, se pueden realizar modificaciones, como agregar o eliminar relaciones, para mejorar la ajustabilidad del modelo. Este proceso se basa en la retroalimentación de los resultados de la evaluación del modelo.

SEM se utiliza en una variedad de campos, como la psicología, la sociología, la economía y la epidemiología, para evaluar relaciones complejas entre variables y probar teorías. Es una técnica flexible y poderosa que permite a los investigadores modelar y comprender estructuras subyacentes en los datos y evaluar la adecuación de los modelos teóricos. Sin embargo, su uso eficaz requiere un conocimiento sólido de estadísticas y metodología de investigación.

Editorial Luis Bonilla. Expertos en enseñanza, formación a distancia, tutores cualificados y con variedad de cursos online.