Modelo de ecuaciones estructurales

Los modelos de ecuaciones estructurales

(SEM) son una herramienta estadística
multivariada que permite estudiar la relación
que hay entre variables latentes y observadas.

1 / 10
Los modelos de ecuaciones estructurales (SEM) como hoy se conocen tienen su
origen en el a˜no de 1918, cuando el genetista Sewall Wright esbozó por primera vez
un modelo de trayectorias para describir la contribución genética entre compañeros
de camada1 . Sin embargo, no fue hasta fines de los años 70 cuando otros
investigadores reconocieron la importancia de estas primeras contribuciones y
comenzaron a trabajar el modelo de trayectorias. Nombres como Lawley (1940),
Boudon (1965), Duncan (1969), Wiley (1969), Blalock (1970), Keesling (1972), Jöreskog
(1978), Sörbom (1978) y Satorra (1985) son clave para el desarrollo de esta
metodología.

El estadístico sueco Jöreskog y Sörbom desarrollaron en los años 70 el primer

programa estadístico, conocido como Linear Structural Relations (LISREL) , que
permitió estimar y probar los modelos de ecuaciones estructura-les. Por otro lado,
Jöreskog extendió el análisis factorial exploratorio concebido por Lawley en un
modelo factorial confirmatorio . Otros paquetes estadísticos que se desarrollaron
fueron EQS (Bentler, 1985) y AMOS (Arbuckle, 2003). En la actualidad, es posible
utilizar también STATA y R para estimar estos modelos.

2
El SEM es considerado una herramienta estadística multivariada, también conocida
como análisis de estructura de covarianzas. Estos modelos permiten probar la
relación (no causalidad) que hay entre variables observadas y latentes7 . Una
variable observada es aquella que es posible medir de manera directa, como la
edad o la estatura, y una latente no se puede medir directamente (la inteligencia, la
motivación, la depresión o el estrés), por lo tanto, se utilizan otras variables
observadas para medirlas.

Cuando el modelo de ecuaciones estructurales se compone únicamente de

variables observadas (path analysis) , puede tener similitud con el análisis de
regresión lineal clásico; sin embargo, una cualidad que lo hace atractivo sobre la
regresión es que es posible estimar el efecto (o relación) indirecto y total que tiene
una variable sobre otra

3
 Tipo de modelos y representación gráfica

Hay 2 tipos de modelos: los que involucran solo variables

observadas (path analysis) y los que mezclan variables
obser-vadas y latentes: análisis factorial confirmatorio y
modelo estructural. Su diferencia radica en que, en el
primer caso, se busca estimar la correlación entre las
variables latentes, mientras que en el segundo se pretende
estimar además su asociación . Para plantear las ecuaciones
asociadas al modelo, es necesario que en primer lugar se
represente gráficamente. Una variable observada se
simboliza por medio de un cuadrado, una latente por un
círculo o elipse, una asociación con una flecha
unidireccional y una correlación con una flecha
bidireccional. En la figura se muestra un modelo estructural
que contiene 3 variables latentes 1, 2 y 2. La primera
corresponde a una variable latente independiente (1) ya
que a ella no llega ninguna flecha y, por el contrario, las Se define el efecto directo como la relación
otras 2 (2 y 2) son dependientes ya que les llega al menos inmediata que hay entre una variable y otra, el
una flecha. Cada una de estas 3 variables latentes está efecto indirecto como la relación entre 2
medida a través de 3 variables observadas. Nótese que se variables, mediada al menos por otra diferente
destacan las observadas asociadas a la latente de estas. y el efecto total como la suma del
independiente como X, mientras que para las latentes efecto directo e indirecto.
dependientes con Y.

4
 Parámetros del modelo

En los SEM se pueden estimar los siguientes parámetros: todos los coeficientes que
conectan a variables latentes con sus respectivas variables observadas, los que
conectan a latentes con latentes, los que conectan observadas con observadas, las
varianzas de variables independientes y las covarianzas entre ellas, las varianzas de los
errores asociados a variables dependientes y las covarianzas entre ellas.
A estos parámetros se los denomina libres. En el caso de que el investigador tenga una
hipótesis acerca del valor que debería tomar un parámetro podrá establecerlo y, por
lo tanto, ya no será libre, sino fijo. Un requisito fundamental es que se tiene que fijar
la escala de cada una de las variables latentes del modelo.
Para hacer esto, hay 2 caminos:

1. Fijar con el valor de 1 la varianza de cada una de las variables latentes.

2. Fijar con el valor de 1 una trayectoria de cada una de las variables latentes con una
de sus variables observadas.

5
 Identificabilidad del modelo

Se dice que un modelo es identificable si es posible encontrar un valor único para cada
uno de los parámetros del modelo.
Un modelo no puede ser identificable si se establece como parámetro libre a uno que
por definición no es parámetro estimable, por ejemplo, una correlación entre variables
dependientes. Cuando el modelo tiene más parámetros fijos que ecuaciones, entonces
al menos un parámetro se expresará en términos de otro y, por lo tanto, no tiene un
valor único (solución única) o cuando encontramos valores poco plausibles como, por
ejemplo, varianzas negativas. Existen reglas que permiten determinar si el modelo
planteado es identificable; estas varían dependiendo del tipo de modelo. La regla más
sencilla y que aplica a todos los modelos es la regla t. En ella se establece que el
número de parámetros libres (t) tiene que ser menor o igual al número de variables
observadas del modelo (p) entre 2.t ≤ p(p+1)
Para los modelos de análisis de trayectoria: regla de la B nula, regla recursiva, regla de
condición de rango y orden; para el modelo confirmatorio: regla de 2 variables
observadas y de 3 variables observadas, y para el modelo estructural: regla de los 2
pasos y regla MIMIC

6
 Ejemplo de un modelo de ecuaciones
estructurales
En Corea querían explorar el efecto que tiene la empatía médica con la satisfacción y el
apego que muestran los pacientes.
El estudio se llevó a cabo con 550 pacientes de un hospital universitario en Corea, a los
cuales se les aplicó un cuestionario.
Midieron 2 tipos de empatía: afectiva (capacidad que tiene el médico para responder con
un sentimiento adecuado ante el paciente) y cognitiva (capacidad que tiene el médico
para ponerse en el lugar del paciente). Entre las hipótesis que plantearon, mencionan
que las 2 empatías tienen un efecto positivo en la satisfacción y el apego; sin embargo,
este efecto no es directo, sino que está mediado por otros factores. En el caso de la
empatía cognitiva (EC), el efecto que tiene sobre la satisfacción del paciente (SP) está
mediada por el intercambio de información cognitiva (IIC) (capacidad que tiene el médico
de informar al paciente con precisión y claridad todo lo relacionado con el padecimiento)
y la percepción de la experiencia médica (PEM), mientras que la empatía afectiva (EA) lo
hace por medio de la confianza interpersonal (CIP) y la relación médico-paciente (RM-P).
Otras hipótesis que establecieron son: entre más empático sea el médico mayor serán la
satisfacción (SP) y el apego del paciente (AP). Indican, además, que el IIC y la PEM tienen
un efecto más fuerte en el fac tor de apego que en el de satisfacción, mientras que la CIP
y la RM-P tienen un efecto mayor sobre la satisfacción que con el apego.

7
 Ejemplo de un modelo de ecuaciones
estructurales
Para estimar y evaluar el modelo se utilizó el paquete EQS 5.7. Se ajustaron 2
modelos: un confirmatorio y uno de ecuaciones estructurales, aunque solo
discutiremos el segundo (fig. 2). Cabe mencionar que ambos modelos tuvieron un
ajuste muy bueno. Para el segundo modelo se reportó una 2 (467) = 1,066.992 con p
< 0.001, CFI = 0.931 y RMSEA = 0.049. Considerando el valor de estos 3 índices se
puede concluir que el modelo tiene buen ajuste, aunque hubiese sido importante que
se mostraran otros índices de incremento. En la figura 2, los autores destacan con una
flecha sólida aquellos coeficientes que resultaron muy significativos (p < 0.001) y con
flechas punteadas los que fueron poco o nada significativos. El modelo mostró que la
correlación entre la EC cognitiva y afectiva es positiva y muy significativa (p < 0.001).
Se confirmó que el médico que tiene mayor EC tiene mayor IIC (0.951, p < 0.001) y
que a mayor, IIC mayor PEM (0.804, p < 0.001). A mayor EA, es la RMP (0.951, p <
0.001), y a mayor RM-P se incrementa la CIP (0.767, p < 0.001). El efecto directo que
tiene la IIC en la SP y el AP fue negativo en ambos casos, pero significativo solo con el
AP, conclusión que es contraria a lo que se habían planteado. En el caso de PEM, tiene
un efecto similar en SP (0.507, p < 0.001) y en AP (0.503, p < 0.05). Tanto RM-P como
CIP tienen un efecto directo positivo en SP y AP, aunque la magnitud de los
coeficientes es mayor en RM-P con SP y AP (0.519 y 0.639) que en CIP con SP y AP
(0.172 y 0.246).

8
 Ejemplo de un modelo de ecuaciones
estructurales

Presentan además los valores del efecto total que tiene cada una de
las variables predictoras del modelo en la satisfacción (SP) y el AP
(tabla 1), aunque no mencionan si estos efectos fueron
estadísticamente significativos, lo cual resulta importante. La RM-P y
la EA mostraron el mayor efecto total sobre la SP y el AP. IIC y EC
tienen el efecto total más bajo y negativo sobre el AP. La EC y la CIP
los más bajos sobre SP. A modo de ejemplificar brevemente cómo se
obtiene el efecto total, haremos el cálculo entre la variable RM-P y el
AP. Mencionaremos las trayectorias que se utilizaron para el cálculo,
para lo cual el lector puede usar la figura 2 como apoyo. RM-P + SP +
AP + RM-P + CIP + AP + RM-P + CIP + SP + AP + RM-P + AP Esto es,
(0.519) (---0.150) + (0.767) (0.246) + (0.767)(0.172) (-0.150) + 0.639 =
0.730. Algunas conclusiones: los factores emocionales EA y RM-P
asociados al médico desempenaron el papel más importante ˜ para
aumentar la satisfacción y el apego de los pacientes del estudio,
seguido de PEM, que inesperadamente también fue un buen
predictor. La relación negativa entre IIC y AP no era esperada,
indicando que posiblemente existen otros factores intermedios que
no fueron contemplados, como, por ejemplo, problemas en el
manejo de la enfermedad, entre otras explicaciones que mencionan.

9
Ejemplo de un modelo de ecuaciones
estructurales

10
Ejemplo de un modelo de ecuaciones
estructurales

11
 Ventajas y desventajas de utilizar los
Modelos de Ecuaciones Estructurales

Entre las ventajas que supone el uso de esta metodología se encuentra

probar simultáneamente la relación directa, la relación indirecta y total
entre las variables, la inclusión de más de una variable dependiente y sus
respectivos errores de medición, la correlación entre variables y también
entre los errores de medición
También es posible usar los SEM en diseños longitudinales, como series de
tiempo y modelos de crecimiento . Entre las limitaciones que tiene el SEM
es que requiere de muestras grandes (n > 200), lo que podría ser difícil de
obtener. Algunos autores indican que por cada parámetro libre o por cada
variable observada, debe haber al menos 10 casos.
Plantear un modelo supone un reto importante, ya que lo ideal es que el
investigador cuente con un amplio conocimiento teórico sobre el
fenómeno que quiere estudiar, de lo contrario, se puede tener un modelo
con buen ajuste pero sin sustento teórico. Esta metodología no está
excluida de fallar si se utilizan variables latentes con baja confiabilidad.
Finalmente, emplear esta metodología puede implicar un reto
considerable si no se tiene cierto bagaje estadístico.

12
 Bibliografía
Manzano Pati RIEM 154 1---6 no AP. Introducción a los modelos de ecuaciones
estructurales. Inv Ed Med. 2017. ˜ https://doi.org/10.1016/j.riem.2017.11.002
13