Ecuaciones Estructurales

MSTER EN TCNICAS ESTADSTICAS FACULTAD DE MATEMTICAS
ANLISIS CAUSAL CON ECUACIONES ESTRUCTURALES DE LA SATISFACCIN CIUDADANA CON LOS SERVICIOS MUNICIPALES
PROYECTO FIN DE MSTER
AUTORA: MARA NGELES GARCA VEIGA
Santiago de Compostela, Julio 2011
Los Profesores Csar Andrs Snchez Sellero y Manuel Febrero Bande, autorizan la presentacin del presente Proyecto Fin de Mster titulado Anlisis Causal con Ecuaciones Estructurales de la Satisfaccin Ciudadana con los Servicios Municipales, realizado por la alumna Mara ngeles Garca Veiga y del cual han sido directores.
Santiago de Compostela, Julio de 2011.
Csar Andrs Snchez Sellero
Manuel Febrero Bande
NDICE
Introduccin.... 1
I. La satisfaccin como instrumento de evaluacin de los servicios pblicos..5
II. Revisin metodolgica de los Modelos de Ecuaciones Estructurales (SEM)9 1. Elementos de un modelo de ecuaciones estructurales14 1.1. Tipos de variables en los modelos de ecuaciones estructurales....15 1.2. Los diagramas estructurales. Path-diagrams ...16 1.3. Relaciones entre variables..20 2. Construccin del modelo estructural..26 2.1. Fase de especificacin ...28 2.2. Fase de estimacin.30 2.2.1. 2.2.2. 2.2.3. Estimacin por Mxima Verosimilitud..31 Estimacin por Mnimos Cuadrados Ponderados.32 Estimacin por Mnimos Cuadrados Generalizados34
2.3. Fase de identificacin..35 2.4. Fase de evaluacin e interpretacin35 3. Bondad de ajuste del modelo36 3.1. Ajuste del modelo de medida37 3.2. Ajuste del modelo estructural41 3.3. Medidas de ajuste global.42 3.3.1. 3.3.2. 3.3.3. Medidas absolutas de ajuste.42 Medidas incrementales de ajuste46 Medidas de ajuste de parsimonia47
III. Modelizacin de la satisfaccin ciudadana mediante modelos de ecuaciones estructurales. Presentacin e interpretacin de los resultados.51 1. 2. 3. 4. 5. 6. 7. Muestra. Descripcin y anlisis de la base de datos..51 Fiabilidad de las escalas. Alpha de Cronbach62 Modelo inicial.64 Identificacin del modelo.69 Estimacin y ajuste. Presentacin de resultados69 Correccin y mejora del modelo.87 Modification Indices (MI) con AMOS.98
Conclusiones y futuras lneas de investigacin104
Bibliografa..109
Anexo.113
ndice de figuras Figura 1.18 Figura 2.20 ndice de grficos Grfico 122 Grfico 2..24 Grfico 3...39 Grfico 4...61 Grfico 5...65 Grfico 6...71 Grfico 7...84
vi
Grfico 8...85 Grfico 9..88 Grfico 10.99
ndice de tablas Tabla 1..49 Tabla 2..55 Tabla 3..56 Tabla 4..59 Tabla 5..63 Tabla 6..64 Tabla 7...72 Tabla 8..74 Tabla 975 Tabla 10.76 Tabla 11.77 Tabla 12.79 Tabla 13.80 Tabla 14.81 Tabla 15.82 Tabla 17.83 Tabla 18.83 Tabla 1989 Tabla 2090 Tabla 2192 Tabla 2292 Tabla 23.93 Tabla 2494 Tabla 2594 Tabla 2695
vii
Tabla 27..100 Tabla 28..101 Tabla 29..101 Tabla 30..101 Tabla 31..102 Tabla 32..102 Tabla 33..102 Tabla 34..103
viii
INTRODUCCIN
Introduccin
La orientacin hacia el mercado de las polticas y las exigencias de buen gobierno por parte de la ciudadana han provocado un giro en el papel de los gobiernos en aras de promover la satisfaccin de los consumidores (Osborne y Gaebler, 1992).
Durante los ltimos aos impera en el sector pblico la filosofa basada en la Nueva Gestin Pblica, que ha generado un cambio de actitud y de comportamiento entre las instituciones pblicas provocados por la convergencia y la presin de dos elementos esenciales: por un lado, la demanda de mayores niveles de responsabilidad de las instituciones, presionadas por factores polticos, mediticos y por la propia ciudadana, y por otro lado, el compromiso cada vez mayor que los lderes adquieren hacia la consecucin de mejores resultados.
Una filosofa que tambin tendr consecuencias a nivel municipal, guiando a las autoridades localesa acercarse al desafo de desarrollar nuevos patrones de organizacin ms sensibles. Se basa en la idea de que las autoridades locales debern prestar servicio para y con la gente, y no simplemente hacia la gente (Walsh, 1989: 6).
De este modo, cuestiones propias del mundo empresarial y el sector privado, como son la Gestin de Calidad Total, el desarrollo del Cuadro de Mando Integral o la aplicacin medidas de mejora continua centradas en la satisfaccin de las necesidades de los clientes, han tenido un fuerte impacto en este cambio de orientacin de la actuacin de las administraciones pblicas.
-1-
INTRODUCCIN
Desde esta perspectiva, el xito de las entidades pblicas se ha medido en funcin de los niveles de satisfaccin de los ciudadanos, lo cual ha trado consigo una importante transformacin: se pasa de la concepcin de usuarios/consumidores de los servicios pblicos a ciudadanos.
A todo ello hay que aadir la influencia tan determinante que ha tenido el surgimiento de una sociedad de consumo post-industrial, en la que los consumidores tienen a su alcance un amplio abanico de servicios y productos creados para satisfacer sus necesidades, por muy diversas que stas fueren. En este sentido, los ciudadanos exigirn a las administraciones pblicas servicios con altos niveles de calidad que respondan a sus expectativas de la misma forma que lo hace el mercado.
En resumen, tanto gobiernos como gestores estn dando cada vez mayor importancia a la visin de los ciudadanos, prestando mayor atencin al papel que la participacin ciudadana tiene en la provisin eficiente de los servicios que les proporcionan. En consecuencia, las percepciones de los ciudadanos importan y mucho, pero para conocer su grado de satisfaccin es necesario evaluar. De este modo, el estudio de las percepciones de los ciudadanos permitir identificar los elementos que tienen mayor impacto en su satisfaccin, lo cual, a su vez, ser de gran ayuda para gestores y lderes en el proceso de toma de decisiones.
Al mismo tiempo, la identificacin de los factores o elementos crticos con mayor impacto en la satisfaccin lleva a introducir mecanismos de mejora que incrementarn la calidad de los servicios. En definitiva, el anlisis de la satisfaccin de los ciudadanos tiene un papel esencial para el diseo y mejora de los propios servicios; un mecanismo de feedback en el que la evaluacin conducir a focalizar los elementos con mayor impacto en la satisfaccin, la mejora de estos elementos conduce a ciudadanos ms satisfechos, al tiempo que alcanzar mayores niveles de satisfaccin es un incentivo para introducir criterios de calidad en los servicios.
-2-
INTRODUCCIN
Esta es la idea con la que nace este Proyecto Fin de Mster: evaluar y medir la satisfaccin ciudadana con los servicios municipales (tanto de titularidad pblica como privada) a travs de los elementos internos de cada servicio, determinando
empricamente las relaciones causales entre los determinantes de la satisfaccin. De esta forma se pondr el foco sobre aqullos que ejercen un mayor impacto sobre las percepciones de los ciudadanos, con la consecuente utilidad que esto supone desde el punto de vista de la gestin y de la toma racional y econmica de decisiones para los lderes de las administraciones locales.
De esta perspectiva, la hiptesis principal que encauza el propsito de este trabajo se centra en determinar si existen diferencias en el nivel de impacto de los elementos internos a cada servicio municipal en la satisfaccin de los ciudadanos, para lo cual se propone la aplicacin de un modelo de ecuaciones estructurales mediante el cual se analizarn las relaciones causales que surgen entre las variables.
En este Proyecto Fin de Mster se presentan los principios y conceptos bsicos que definen este tipo de modelos, incluyendo adems su aplicacin prctica utilizando una encuesta de satisfaccin ciudadana (n=247) con algunos de los servicios pblicos prestados en el municipio.
El trabajo ha sido estructurado del siguiente modo: en el Captulo I se hace una breve introduccin al concepto de satisfaccin, en el Captulo 2 se realiza una revisin terica y metodolgica de los modelos de ecuaciones estructurales, describiendo tanto los elementos que los integran como las relaciones causales que surgen entre las variables. Se detallan, adems, los principales mtodos de estimacin y los criterios a tener en cuenta para determinar la bondad de ajuste de un modelo. El Captulo III contiene la aplicacin prctica de modelos de ecuaciones estructurales al estudio de la satisfaccin ciudadana.
-3-
INTRODUCCIN
En resumen, este proyecto ofrece una revisin de los principios y conceptos bsicos
que definen este tipo de modelos, aplicndolos a una base de datos reales sacados de una encuesta de satisfaccin ciudadana con algunos de los servicios pblicos prestados en el municipio.
Los modelos de ecuaciones estructurales pueden implementarse en varios paquetes estadsticos. Entre ellos destacan AMOS (Analysis of Moment Structures), como un mdulo dentro del programa SPSS; LISREL (Linear Structural Relationships), programa ms conocido para el anlisis de modelos de ecuaciones estructurales desarrollado por Jreskog y Srbom; EQS, que incorpora numerosas aplicaciones relacionadas con los SEM; y R que cuenta con libreras especficas para los SEM.
Para la estimacin y representacin de los modelos propuestos en este Proyecto fin de Mster se ha empleado el paquete estadstico AMOS en su versin 18.0.
-4-
CAPTULO I. LA SATISFACCIN COMO INSTRUMENTO COMO INSTRUMENTO DE EVALUACIN DE LOS SERVICIOS PBLICOS
CAPTULO I La satisfaccin como instrumento de evaluacin de los servicios pblicos
El desarrollo de investigaciones empricas basadas en el estudio de la satisfaccin ha provocado que durante los ltimos tiempos la literatura se haya centrado en buscar los elementos que ms impactan en la satisfaccin (e insatisfaccin). El objetivo principal de estas investigaciones se centra en conocer cules eran los pesos especficos de estos elementos en la construccin global de la satisfaccin, para lo cual se apoyan en tcnicas estadsticas complejas que ayudan a explicar las relaciones causales que se establecen entre variables.
Entre los componentes de la satisfaccin destacan cuestiones como las expectativas, la performance o rendimiento, la desconfirmacin, o los afectos, e incluso, medidas especficas directas del nivel de satisfaccin que experimenta el consumidor. Es por ello que en los intentos de medicin del impacto que cada uno de ellos tiene en el resultado final, han sido muchas y muy variadas las escalas empleadas en las investigaciones empricas desarrolladas hasta el momento. Con ello, es habitual encontrar en los estudios ms recientes el uso de escalas multi-tem para la que
evaluacin de niveles de satisfaccin (Parasuraman et al., 1994a); escalas
fundamentalmente se recogen a travs de la realizacin de encuestas de satisfaccin ciudadana.
-5-
Para el mbito local, la relevancia de las encuestas de satisfaccin sobre los servicios pblicos en la esfera internacional resulta evidente a la vista de los numerosos trabajos realizados en Reino Unido. Junto a otras tcnicas, como los paneles de ciudadanos y los focus group (entendidos como medios de participacin pblica), han servido a las autoridades locales como mecanismo para la toma de decisiones, as como instrumento para escuchar y aprender de las necesidades de los ciudadanos.
Pero, por qu utilizar encuestas de satisfaccin?. Miller y Miller enumeran 6 razones por las que entidades y organizaciones hacen uso de este tipo de encuestas: evaluar las necesidades de la comunidad planificar a largo plazo planificar a corto plazo evaluar la comunicacin con los ciudadanos evaluar los servicios comunitarios determinar una poltica de seguimiento.
Parece quedar claro que medir la satisfaccin con los servicios a travs de la opinin de los ciudadanos justifica la creciente tendencia hacia el empleo de encuestas y sondeos de opinin para conocer la valoracin subjetiva que de ellos hacen los propios ciudadanos; adems de ayudar a discernir entre debilidades y focos susceptibles de mejora en la prestacin de los mismos.
La posible institucionalizacin de estos mecanismos de voz que permitan a los ciudadanos hacer llegar sus valoraciones sobre los servicios prestados tendra, a priori, una importante consecuencia para toda la ciudadana, puesto que en aquellas organizaciones donde los ciudadanos estn activamente ente representados son ms eficientes y proveen servicios de mejor calidad.
-6-
En definitiva, la creciente importancia que poco a poco ha adquirido la satisfaccin de los ciudadanos y la opinin pblica tanto en la aceptacin de acciones polticas como de la gestin de los responsables pblicos, hace posible que la voz de los ciudadanos se convierta en un mecanismo capaz de transformar los servicios pblicos.
-7-
CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES
CAPTULO II Revisin metodolgica de los modelos de ecuaciones estructurales (SEM)

El concepto de modelos o sistema de ecuaciones estructurales1 (SEM) se introdujo hace 80 aos por Wrigth (1921, 1934). Trabajando sobre patrones de covariacin entre varias caractersticas de cobayas, desarroll una forma de romper las correlaciones observadas en un sistema de ecuaciones que matemticamente describan su hiptesis respecto a las relaciones causales. Las relaciones entre variables fueron representadas en un path diagram, por lo que su mtodo lleg conocerse como path analysis (Wrigth 1921, 1934).
Aos ms tarde, este mtodo fue redescubierto y desarrollado por economistas y socilogos, de entre los cuales, los trabajos ms sobresalientes son los de Jreskog (1973,1977 y 1981) y Jreskog y Srbom (1982). En ellos, transformaron el path analysis de Wright en un nuevo mtodo denominado structural equation modelling, en el que se combina el anlisis factorial con el path analysis.
En resumen, los modelos de ecuaciones estructurales estudian las relaciones causales entre datos directamente observables, asumiendo la existencia de relaciones lineales, aunque tambin se pueden modelizar relaciones no lineales. Pero a qu nos referimos con relacin causal?.
El nombre que reciben modelos de ecuaciones estructurales se debe a que es necesario utilizar un conjunto de ecuaciones para representar las relaciones propuestas inicialmente por el investigador o la teora.
-9-
Aunque
la existencia de correlacin entre dos variables no implica,
necesariamente, la existencia de una relacin causal entre ambas, la existencia de relacin causal entre dos variables s implica la existencia de correlacin. sta es en esencia la base de los modelos de ecuaciones estructurales. La modelizacin de ecuaciones estructurales asume que hay un mecanismo subyacente que lleva a una estructura de covarianzas tericas entre un vector de variables aleatorias. El objetivo es presentar y testar un modelo que capture la esencia de este mecanismo subyacente.
Las relaciones causales establecidas en la hiptesis de partida implican una serie de limitaciones en la matriz de varianzas-covarianzas. Si la matriz de varianzascovarianzas que producen los datos observados es compatible con las limitaciones impuestas por la hiptesis, el modelo no se descarta.
La gran ventaja de este tipo de modelos es que permiten proponer el tipo y direccin de las relaciones que se espera encontrar entre las diversas variables contenidas en l, para pasar posteriormente a estimar los parmetros que vienen especificados por las relaciones propuestas a nivel terico. Por este motivo se denominan tambin modelos confirmatorios, ya que el inters fundamental es confirmar mediante el anlisis de la muestra las relaciones propuestas a partir de la teora explicativa que se haya decidido utilizar como referencia.
Adems, con estos modelos, y dada la interdependencia de las variables, es posible descomponer los efectos directos totales en directos e indirectos y testar la bondad de ajuste del modelo como un todo. Adems, son de gran utilidad en la comparacin de modelos alternativos (competidores), pues permite el uso de variables latentes y la consideracin del error de medida que, con la variacin de los valores de los ndices de bondad de ajuste pueden indicar la existencia de modelos alternativos mejorados.
- 10 -
En definitiva, podemos decir que los puntos fuertes de estos modelos son: haber desarrollado unas convenciones que permiten su representacin grfica, la posibilidad de analizar efectos causales2 entre las variables, permitir la concatenacin de efectos entre variables y permitir relaciones recprocas entre ellas.
Encuadrados dentro del anlisis estadstico multivariante, estos modelos surgieron ante la necesidad de dotar de mayor flexibilidad a los modelos de regresin. Son menos restrictivos que los modelos de regresin por el hecho de permitir incluir errores de medida tanto en las variables criterio (dependientes) como en las variables predictoras (independientes). Podra pensarse en ellos como varios modelos de anlisis factorial que permiten efectos directos e indirectos entre los factores.
Ms concretamente, algunos de los modelos que se pueden encuadrar dentro de la metodologa de los modelos estructurales son: regresin lineal mltiple, anlisis factorial confirmatorio, modelo causal con variables latentes, modelos multinivel, modelos basados en las medias (ANOVA, ANCOVA, MANOVA, MANCOVA), y otros; muchos de los cuales sern aplicados en este trabajo de investigacin.
En la actualidad, programas de estimacin en entorno grfico, como LISREL (Linear Structural Relations; Jreskog,1973) o AMOS (Analysis of Moment Structures, Arbuckle, 1994), han jugado un importante papel en el desarrollo y aplicacin de estos modelos, cuya estimacin resulta ms compleja que otros modelos multivariantes como la regresin o el anlisis factorial.
La modelizacin de ecuaciones estructurales se basa en relaciones causales, en las que el cambio de una variable se supone que produce un cambio en otra variable (Heise, 1975).
- 11 -
Habitualmente incluyen mltiples variables observables y mltiples variables no observables (variables latentes, tambin llamadas constructos). En palabras de Bollen (1989): Podemos mirar estos modelos de diversos modos. Son ecuaciones de regresin con supuestos menos restrictivos, que permiten errores de medida tanto en las variables criterio (independientes) como en las variables dependientes. Consisten en anlisis factoriales que permiten efectos directos e indirectos entre los factores. Habitualmente incluyen mltiples indicadores y variables latentes. Resumiendo, engloban y extienden los procedimientos de regresin, el anlisis economtrico y el anlisis factorial.
sta es precisamente, una de las diferencias ms importantes entre los SEM y otras tcnicas estadsticas multivariantes que realizan el anlisis de modelos (ms o menos complejos) que nicamente incorporan mediciones directamente observables. Junto a ello, otra de las principales caractersticas de los SEM, sealada por Bollen, reside en el hecho de que una misma variable puede comportarse, dentro de un mismo modelo, como variable respuesta en una ecuacin y aparecer como una variable explicativa en otra ecuacin. As como tambin es posible, especificar un efecto recproco, en el que dos variables produzcan efectos la una sobre la otra, mediante un proceso de feedback.
La aplicacin de este tipo de modelos requiere de un diseo a priori, para el cual el investigador se apoya en la teora de aquello que busca explicar. Este diseo a priori se conoce como modelo terico, consistente en un conjunto sistemtico de relaciones (entre variables) que proporcionan una explicacin consistente y comprensiva del fenmeno que se pretende estudiar. Dichas relaciones estn definidas por una serie de ecuaciones que describen las estructuras de las relaciones establecidas (relaciones causales, de regresin con respuesta mltiple, correlaciones, etc.). Este modelo terico se puede representar bien a travs del conjunto de ecuaciones que lo estructuran o bien a travs de los path diagrams, que sirven
- 12 -
adems, para resumir grficamente, el conjunto de hiptesis sobre las que se asienta el modelo.
Respecto a su estimacin, los SEM se basan en las correlaciones existentes entre las variables medidas en una muestra de sujetos de manera transversal. Por tanto, para poder realizar las estimaciones, basta con medir a un conjunto de sujetos en un momento dado. Este hecho hace especialmente atractivos estos modelos. Ahora bien, hay que tener en cuenta que las variables deben permitir el clculo de las correlaciones y por ello deben ser variables cuantitativas, preferentemente continuas.
Para entender la fundamentacin de los modelos de ecuaciones estructurales, es necesario reorientar nuestro conocimiento de lo que significa el concepto de ajuste de un modelo. En regresin lineal, cuando hablamos de las estimaciones de los parmetros, escogemos aquellas estimaciones que mejor ajustaban el modelo a los datos, en el sentido de que minimizaban los errores de prediccin cometidos con el modelo para el conjunto de sujetos de la muestra, con el mtodo de mnimos cuadrados.
Por el contrario, en los SEM, lo que se pretende ajustar son las covarianzas entre las variables, en vez de buscar el ajuste de los casos. En lugar de minimizar la diferencia entre los valores pronosticados y los observados a nivel individual, se minimiza la diferencia entre las covarianzas muestrales y las covarianzas pronosticadas por el modelo estructural. Este es el motivo por el que tambin se han denominado modelos de estructura de covarianzas. En otras palabras, la hiptesis de partida de los modelos basados en ecuaciones estructurales es que reproduce exactamente la matriz de varianzas y covarianzas que se estudian.
- 13 -
AMOS, software empleado en la obtencin de las estimaciones que se presentarn en el siguiente punto, consiste precisamente en generar una matriz de varianzas y covarianzas del modelo diseado por el investigador, y en compararla con la matriz real de varianzas y covarianzas que se est estudiando, para determinar hasta qu punto se diferencian. As, cuanto ms parecidas sean, mejor ser el modelo, puesto que ello querr decir que el modelo reproduce el entramado de relaciones existente en la realidad.
1. Elementos de un modelo de ecuaciones estructurales
Un modelo de ecuaciones estructurales completo consta de dos partes fundamentales: el sub-modelo de medida y el sub-modelo de relaciones estructurales. El sub-modelo de medida contiene la manera en que cada constructo3, o variable latente, est medido mediante sus indicadores observables, los errores que afectan a las mediciones y las relaciones que se espera encontrar entre los constructos cuando stos estn relacionados entre s.
Por su parte, el sub-modelo de relaciones estructurales es el que realmente se desea estimar. Contiene los efectos y relaciones entre los constructos. Es similar a un modelo de regresin, pero puede contener adems efectos concatenados y bucles entre variables. Adems, contiene los errores de prediccin (que son distintos de los errores de medicin).
A partir de aqu se emplear la terminologa propia de los modelos de ecuaciones estructurales para referirnos a las variables latentes utilizando indistintamente los trminos constructo o variable latente. Se trata de variables que no son directamente observables, medidas a travs de variables indicadoras o indicadores (tems), que s son observables directamente.
- 14 -
A modo de ilustrar grficamente cmo es la estructura de un sub-modelo de medida y de un sub-modelo estructural, en segundo epgrafe de este captulo se adjunta la Figura 2, en virtud de la cual se apreciar de una forma rpida y sencilla las diferencias existentes entre los elementos que integran cada uno de estos dos submodelos.
Existen dos casos excepcionales en los que el modelo no contiene ambas partes y que se usan con relativa frecuencia. En primer lugar, los modelos de anlisis factorial confirmatorio slo contienen el modelo de medida y las relaciones entre las variables latentes slo pueden ser de tipo correlacional. En segundo lugar, los modelos de anlisis de rutas no contienen variables latentes; en su lugar, las variables observables son equiparadas con las variables latentes; consecuentemente, slo existe el modelo de relaciones estructurales. Como contrapartida, los errores de medicin y los errores de prediccin se confunden en un nico trmino comn.
1.1.
Tipos de variables en los modelos de ecuaciones estructurales
En un modelo de ecuaciones estructurales se distinguen distintos tipos de variables segn sea su papel y segn sea su medicin:
Variable observada o indicador. Variable que se mide a los sujetos. Por ejemplo, las preguntas de un cuestionario.
Variable latente. Caracterstica que se deseara medir pero que no se puede observar. En consecuencia, que est libre de error de medicin. Por ejemplo, una dimensin de un cuestionario o un factor en un anlisis factorial exploratorio.
Variable error. Representa tanto los errores asociados a la medicin de una variable como el conjunto de variables que no han sido contempladas en el
- 15 -
modelo y que pueden afectar a la medicin de una variable observada. Se considera que son variables de tipo latente por no ser observables directamente. El error asociado a la variable dependiente representa el error de prediccin. Variable de agrupacin. Variable categrica que representa la pertenencia a las distintas subpoblaciones que se desea comparar. Cada cdigo representa una subpoblacin. Variable exgena. Variable que afecta a otra variable y que no recibe efecto de ninguna variable. Las variables independientes de un modelo de regresin son exgenas. Variable endgena. Variable que recibe efecto de otra variable. La variable dependiente de un modelo de regresin es endgena. Toda variable endgena debe ir acompaada de un error.
1.2.
Los diagramas estructurales. Path-diagrams
Para representar un modelo causal y las relaciones que se desea incluir en l se acostumbra a utilizar diagramas similares a los diagramas de flujo. Estos diagramas se denominan diagramas causales, grfico de rutas, diagramas de senderos4 o diagramas estructurales.
El diagrama estructural de un modelo es su representacin grfica y es de gran ayuda a la hora de especificar el modelo y los parmetros contenidos en l. En definitiva, se trata de un grfico en el que se encuentran representadas las relaciones de causalidad que se supone que existen en un conjunto de variables.
En los diagramas de senderos o diagramas estructurales, los parmetros de las ecuaciones estructurales reciben el nombre de coeficientes de Wright, que son los que constituyen las incgnitas, y cuyo valor de determina resolviendo el sistema de ecuaciones estructurales.
- 16 -
De hecho, los programas actuales, como el AMOS, permiten realizar la definicin del modelo en su totalidad al representarlo en el interfaz grfico. A partir del diagrama estructural el propio programa deriva las ecuaciones del modelo e informa de las restricciones necesarias para que est completamente identificado.
Los diagramas estructurales siguen unas convenciones particulares que es necesario conocer para poder derivar las ecuaciones correspondientes: Las variables observables se representan encerradas en rectngulos. Las variables no observables (latentes) se representan encerradas en valos o crculos. Los errores (sean de medicin o de prediccin) se representan sin rectngulos ni crculos (aunque algunos programas las dibujan como variables latentes, como en el modelo que se presenta en este trabajo de investigacin). Las relaciones bidireccionales (covariacin entre dos variables exgenas o dos trminos de perturbacin) se representan como vectores curvos con una flecha en cada extremo. El parmetro asociado indica la covarianza. La falta de flecha entre dos variables significa que dichas variables no estn directamente relacionadas, aunque s podrn estarlo indirectamente.
Estos smbolos o representaciones grficas ayudan a comprender rpidamente qu tipo de variables componen el modelo de ecuaciones estructurales como el tipo o tipos de relaciones que se establecen entre ellas. A modo aclaratorio, en la Figura 1, se resume esta forma de representar tanto los diferentes tipos de variables de un SEM como los tipos de relaciones que entre ellas se puedan producir.
- 17 -
Figura 1. Convenciones path diagrams
Variable indicadora directamente observable
Variable latente o constructo
Asociacin mediante regresin Correlacin-covariacin Sin flecha Independencia condicional
Cualquier efecto estructural se representa como una flecha recta y unidireccional, cuyo origen es la variable predictora y cuyo final, donde se encuentra la punta de la flecha, es la variable dependiente. Es decir, las variables a las que llega alguna flecha se denominan endgenas y aquellas a las que no llega ninguna flecha exgenas.
Las variables endgenas estn afectadas por un trmino de perturbacin aleatorio que simplemente se incluye en el diagrama como una flecha adicional a la variable endgena.
Toda variable que reciba efecto de otras variables del modelo deber incluir tambin un trmino error. Los parmetros del modelo se representan sobre la flecha correspondiente. Aunque no es necesario que el usuario lo especifique, los programas suelen incluir, junto a cada variable, su varianza y, si se trata de una variable dependiente, su correspondiente proporcin de varianza explicada.
- 18 -
Junto a ello, es necesario aclarar que, a la vista del diagrama estructural, podremos diferenciar rpidamente si el conjunto de ecuaciones estructurales
constituye un modelo recursivo o no recursivo.
Es decir, en funcin de las caractersticas del diagrama podremos diferenciar entre modelos en los que los errores (tambin denominados perturbaciones) no estn relacionados y todos los efectos causales son unidireccionales (modelos recursivos) y, aquellos modelos denominados no recursivos en los que existen lazos de retroalimentacin o puedan tener errores correlacionados.
Para finalizar con la exposicin de los tipos de path diagrams de los modelos de ecuaciones estructurales, y dado que ya se ha expuesto que los SEM estn formados por un sub-modelo de medida y un sub-modelo estructural5, se adjunta la Figura 2 que ayudar a par identificar los elementos que los conforman y, por tanto, las diferencias entre uno y otro.
nicamente existen dos excepciones en las que los SEM no incorporan ambos sub-modelos: modelos de anlisis factorial confirmatorio y modelos de anlisis de rutas en los que no hay variables latentes.
- 19 -
Figura 2. Path diagrams de un sub-modelo de medida y un sub-modelo estructural
1 a) Sub-modelo de medida
1 b) Sub-modelo estructural
1.3.
Relaciones entre variables
Empecemos por definir los tipos de relaciones causales que pueden establecerse entre dos variables, por ejemplo, v y v , para que covaren:
En primer lugar, v y v pueden covariar si v causa v , es decir, asumir un modelo de regresin en el que v fuese la variable respuesta y v la variables predictora, cuya representacin a travs de un path diagram quedara expresado a travs de la Figura 2.3a. Igualmente, tambin
pueden covariar si v causa v , ante lo que cual, estaramos hablando de una regresin de de v sobre v ; relacin que se expresa mediante el path diagram contenido en la figura 2.3b. En ambos casos, las relaciones que se
- 20 -
establecen son relaciones directas, que a su vez, tambin podran ser recprocas; en cuyo caso su representacin vendra dado por la figura 2.3c. Asi mismo, v y v tambin covariarn si ambas tienen una causa comn, v . En tal caso, estaramos ante lo que se ha dado en conocer como relacin esprea, cuya representacin a travs de path diagram se expresa a travs de la figura 2.3d. Otro tipo de relacin en virtud de la cual v y v pueden covariar, es a travs de una tercera variable interviniente v ; establecindose entre la primer y la segunda de ellas, lo que se conoce como una relacin indirecta, tal y como se puede apreciar en la figura 2.3e. Por ltimo, otra forma de covariacin entre dos variables (v y v ) es la representada en la figura 2.3f, en donde se emparentan con la relacin indirecta y con la relacin esprea. La diferencia entre la figura 2.3d, la figura 2.3e y la figura 2.3f, es que en esta ltima, tanto v como v son variables exgenas y carecen de mecanismo causal explcito que las
relaciones entre s: no se especifica de qu tipo es la relacin entre v y v y se deja la covariacin entre ambas variables como no explicada. El coste que se deriva de esta indeterminacin se refleja en la imposibilidad de discernir si v contribuye a la covariacin entre v y v por va indirecta o esprea. La solucin a dicha indeterminacin consiste en denominar a esta relacin como efecto conjunto.
- 21 -
Grfico 1. Relaciones entre variables. Formas de covariacin.
Una vez que ya se han expuesto todas las posibles formas de covariacin entre dos variables, corresponde establecer de forma intuitiva la relacin entre los
parmetros y las covariaciones entre las variables bajo la lgica del path analysis con las llamadas reglas de descomposicin. Con ello, conseguiremos, en ltima instancia, estimar los parmetros a partir de las relaciones entre variables.
En primer lugar, tanto las varianzas como las covarianzas de las variables exgenas, constituyen por s mismas, parmetros del modelo. En virtud de las reglas de descomposicin, para el resto de varianzas y covarianzas del modelo se entiende que:
- 22 -
La covarianza entre dos variables es igual a la suma del efecto directo, los efectos indirectos, espreos y conjuntos. El origen de la relacin puede estar en cualquiera de estas dos variables consideradas (en el caso de los efectos directos o indirectos), en una tercera variable (en el caso de efectos espreos), o una covarianza entre dos variables exgenas (en el caso de los efectos conjuntos). El efecto se calcula como el producto de la varianza de la variable de partida (o covarianza de partida en su caso) por todos y cada uno de los parmetros asociados a las flechas recorridas hasta llegar a unir las dos variables de inters. Hay que tener que cuenta, que al calcular un efecto no se puede pasar por una misma variable ms de una vez.
La varianza de una variable dependiente es igual a la varianza del trmino de perturbacin ms la varianza explicada por otras variables del modelo. A su vez, esta varianza explicada puede expresarse en funcin de todas las variables explicativas con efecto directo sobre la dependiente, como suma de todos los productos entre estos efectos directos y las covarianzas entre la variable dependiente y la explicativa relacionadas por dichos efectos.
A continuacin, y para facilitar la comprensin de la estructura de un modelo de ecuaciones estructurales, se presenta en el Grfico 2 el modelo inicial con el arranca el anlisis causal con ecuaciones estructurales de la satisfaccin ciudadana con los servicios municipales y que se desarrollar detenidamente en el captulo tercero.
- 23 -
Grfico 2. Modelo de Ecuaciones Estructurales inicial.
24
En el Grfico 2 podemos diferenciar entre las dos partes integrantes de los modelos de ecuaciones estructurales de los que ya se ha hablado: el sub-modelo de medida y el sub-modelo estructural. El primero de ellos est formado por tres constructos variables latentes , entre y y entre y , , establecindose correlaciones entre y
. Puesto que nicamente se relacionan entre s
mediante mecanismos de correlacin, podemos decir que estas tres variables latentes funcionan como variables latentes exgenas.
partir de
,,
La variable latente , la variable latente ,,
se crea a partir de la saturacin 4 variables observadas se crea a partir de ,, , mientras que se crea a
. Las elipses6 asociadas a cada una de las variables observadas
representan los errores del modelo de medida.
Por su parte, las variables )y
(creada a partir de las variables observadas ,,
(creada a partir de las variables observadas
) son las nicas variables
latentes que reciben el efecto de otras variables latentes, es decir, son las variables latentes endgenas del modelo. Ms concretamente, efecto que tambin recibe y por su parte, que tanto recibe el efecto directo de ;
aunque de forma indirecta a travs de , y
(ver Grfico 1),
recibe el efecto directo de
. De esta forma, entendemos
como
funcionan como variables dependientes y, por tanto, el error que
cada una de ellas lleva asociado es un error de prediccin y no de medida. Toda esta estructura de relaciones conforma el sub-modelo estructural.
Por ltimo, el grfico muestra que modelo de ecuaciones estructurales con el que se inicia el estudio es de tipo recursivo, puesto que no existen errores correlacionados ni lazos de retroalimentacin.
Tal y como se ha dicho con anterioridad en el punto 1.2. los errores, tanto de medicin como de medida no se representan en rectngulos o crculos, sin embargo, se ha optado por representarlos mediante elipses porque sta es la representacin grfica habitual utilizada en la literatura sobre modelos de ecuaciones estructurales, puesto que se consideran variables latentes por no ser observables directamente.
6
- 25 -
2. Construccin del modelo estructural
El modelo terico debe especificar las relaciones que se espera encontrar entre las variables (correlaciones, efectos directos, efectos indirectos, bucles). Si una variable no es directamente observable, deben mencionarse los indicadores que permiten medirla. Lo normal es formular el modelo en formato grfico; a partir de ah es fcil identificar las ecuaciones y los parmetros.
Una vez formulado el modelo, cada parmetro debe estar correctamente identificado y ser derivable de la informacin contenida en la matriz de varianzascovarianzas.
Existen estrategias para conseguir que todos los parmetros estn identificados, como por ejemplo, utilizar al menos tres indicadores por variable latente e igualar la mtrica de cada variable latente con uno de sus indicadores (esto se consigue fijando arbitrariamente al valor 1 el peso de uno de los indicadores). An as, puede suceder que el modelo no est completamente identificado, lo que querr decir que se est intentando estimar ms parmetros que el nmero de piezas de informacin contenidas en la matriz de varianzas-covarianzas. En ese caso habr que imponer ms restricciones al modelo (fijando el valor de algn parmetro) y volver a formularlo.
Por otra parte, una vez seleccionadas las variables que formarn parte del modelo, hay que decidir cmo se medirn las variables observables. Estas mediciones (generalmente obtenidas mediante escalas o cuestionarios) permitirn obtener las varianzas y las covarianzas en las que se basa la estimacin de los parmetros de un modelo correctamente formulado e identificado (asumimos que estamos trabajando
- 26 -
con una muestra representativa de la poblacin que se desea estudiar y de tamao suficientemente grande).
Una vez estimados los parmetros del modelo se procede, en primer lugar, a valorar su ajuste. Si las estimaciones obtenidas no reproducen correctamente los datos observados, habr que rechazar el modelo y con ello la teora que lo soportaba, pudiendo pasar a corregir el modelo haciendo supuestos tericos adicionales.
En segundo lugar, se procede a hacer una valoracin tcnica de los valores estimados para los parmetros. Su magnitud debe ser la adecuada, los efectos deben ser significativamente distintos de cero, no deben obtenerse estimaciones impropias (como varianzas negativas), etc.
Puede ocurrir que alguna de las estimaciones tenga un valor prximo a cero; cuando ocurre esto es recomendable simplificar el modelo eliminando el correspondiente efecto. Por ltimo, el modelo debe interpretarse en todas sus partes. Si el modelo ha sido aceptado como una buena explicacin de los datos ser interesante validarlo con otras muestras y, muy posiblemente, utilizarlo como explicacin de teoras de mayor complejidad que se desee contrastar.
En general, en el desarrollo de un modelo de ecuaciones estructurales es necesario desarrollar cuatro fases: la especificacin, la identificacin, la estimacin y, por ltimo, la evaluacin y la interpretacin7 de dicho modelo. A continuacin se apuntar en qu consiste cada una de estas fases.
La evaluacin e interpretacin del modelo de ecuaciones estructurales se expondr detenidamente en el punto cuarto de este captulo.
- 27 -
2.1.
Fase de especificacin
El sub-modelo estructural es aquel componente del modelo general que describe las relaciones causales entre variables latentes. Las relaciones entre las variables directamente observables se incluyen cuando stas indicadoras de las variables latentes. no actan como
En definitiva, habr tantas ecuaciones estructurales como constructos latentes (variables endgenas) que sean explicadas por otras variables exgenas (latentes u observadas). La estructura que sigue este tipo de ecuaciones de los sub-modelos estructurales se puede expresar de la siguiente forma: donde: (eta) es un vector p x 1 de variables endgenas latentes (esto es, variables predictoras o variables no explicadas por otras incluidas en el modelo). (xi) es un vector q x 1 de variables exgenas latentes (esto es, variables predictoras o variables no explicadas por otras incluidas en el modelo). (gamma) es una matriz p x q de coeficientes que relacionan las B
(1)
cambio en la variable exgena resulta en un cambio en unidades, manteniendo igual que como efectos directos de las variables endgenas.
variables latentes exgenas () con las endgenas (). Indican que una unidad de
todas las dems variables constantes. Este coeficiente estructural se interpreta, al
latentes endgenas entre s. Cada indica una unidad de cambio en la variable hipotetizado de una variable latente endgena en otra, de las mismas caractersticas, se tendr un coeficiente estructural .
(beta) es una matriz q x q de coeficientes que relacionan las variables
endgena , manteniendo todas las dems variables constantes. Para cada efecto
- 28 -
(zeta) es un vector q x 1 de errores o trminos de perturbacin. Indican que las variables endgenas no son perfectamente predichas por las ecuaciones estructurales. Se supone que no existe correlacin entre los errores y las variables exgenas.
Por otra parte, las variables latentes estn relacionadas con variables observables a travs del sub-modelo de medida, que est definido tanto por variables endgenas como por variables exgenas a travs de las siguientes expresiones: y donde: y x
(2)
es un vector k x 1 de variables latentes endgenas,
es una matriz p x m de coeficientes de variables endgenas,
es una matriz q x k de coeficientes de variables exgenas,
es un vector m x 1 de variables latentes endgenas,
es un vector p x 1 de errores de medicin para los indicadores endgenos.
es un vector q x 1 de errores de medicin para los indicadores exgenos y,
- 29 -
2.2.
Fase de estimacin
Para la aplicacin de este tipo de modelos sobre los datos de la encuesta de satisfaccin ciudadana se han empleado diferentes mtodos de estimacin de los parmetros, con el objetivo de determinar cul de ellos presenta un mejor ajuste: mxima verosimilitud (ML), mnimos cuadrados ponderados8 (WLS) y mnimos cuadrados generalizados (GLS)9
La aplicacin del primero de ellos se debe a que proporciona estimaciones consistentes, eficientes y no sesgadas con tamaos de muestra suficientes, siendo capaz de facilitar la convergencia de las estimaciones con los parmetros an en ausencia de normalidad.
Sin embargo, algunos estudios de simulacin sugieren que en condiciones de no normalidad las estimaciones an siendo consistentes no resultan necesariamente eficientes, resultando recomendable con muestras pequeas, la estimacin por ML con la aplicacin de procedimientos bootstrap, puesto que permite obtener empricamente (mediante tcnicas de remuestreo) estimaciones de los errores estndar de los parmetros del modelo, independientemente de su distribucin. Adems, la aplicacin de mtodos bootstrap permite determinar intervalos de confianza para las estimaciones.
Por su parte, cuando los datos no siguen una distribucin normal, el mtodo de estimacin ms recomendado es un mtodo de distribucin libre asinttica (ADF), siendo el mtodo de mnimos cuadrados ponderados uno de los ms utilizados.
Mtodo que en el programa AMOS aparece bajo la etiqueta de mtodo de distribucin libre asinttica (ADF). 9 Como caso especial de estimacin por mnimos cuadrados ponderados (WLS).
- 30 -
De esta forma, en el caso de que la distribucin de las variables observadas no est muy alejada de una distribucin normal, se recomienda emplear ML. A continuacin se describen brevemente ambos mtodos de estimacin.
2.2.1. Estimacin por Mxima Verosimilitud (ML) Mxima Verosimilitud es el mtodo de estimacin ms utilizado en el ajuste de modelos de ecuaciones estructurales. Como ya se ha dicho, la estimacin por ML requiere que las variables observadas mantengan una distribucin normal, sin embargo, la violacin de la condicin de normalidad multivariante no afecta a la capacidad del mtodo para estimar de forma no sesgada los parmetros del modelo. Adems, cuando el tamao de muestra aumenta la distribucin de los estimadores se aproximan a la distribucin normal.
La funcin de log-verosimilitud viene dada por: logL dnde: N 1 log| | tr|S | c
(3)
log es un logaritmo natural,
L es la funcin de verosimilitud, N es el tamao de la muestra, es el vector de parmetros, tr es la traza de la matriz y, c es una constante. S es la matriz de covarianzas emprica,
es ma matriz de covarianzas del modelo y | | su determinante,
- 31 -
Maximizar logL es equivalente a minimizar la siguiente funcin: F log| | log|S| tr S p (4)
donde: F p es el nmero de variables observadas. es el valor de la funcin de ajuste evaluada al finalizar la estimacin y,
2.2.2. Estimacin por Mnimos Cuadrados Ponderados (WLS) Cuando la condicin de normalidad de los datos no se cumple, una de las posibilidades para la estimacin de los parmetros son mtodos alternativos como el criterio de mnimos cuadrados ponderados (Weighted Least Squares), para cuya aplicacin no es necesaria dicha condicin; mtodo de estimacin que en el programa AMOS se encuentra bajo la nomenclatura de mtodo de estimacin de distribucin libre asinttica (ADF).
Una de las ventajas que presenta este mtodo es que permite introducir en los anlisis variables ordinales, variables dicotmicas y variables continuas que no se ajusten a criterios de normalidad.
Este mtodo minimiza la siguiente funcin de ajuste: F dnde: s W s
(5)
s es el vector de elementos no redundantes en la matriz de covarianzas emprica,
es el vector de elementos no redundantes en la matriz de covarianzas del modelo,
- 32 -
es un vector de t x 1 parmetros, de variables observadas. W
es una matriz k x k definida positiva con k
p p
1 /2 y p
nmero
Sin embargo, y a pesar de presentar ciertas ventajas, la estimacin por mnimos cuadrados ponderados tambin presenta importantes restricciones y desventajas de las que hablaremos a continuacin.
Si bien, su punto fuerte reside en poder realizar la estimacin de los parmetros sin la necesidad de que las variables observadas sigan una distribucin normal, el valor del estadstico ji-cuadrado que proporciona nicamente ser preciso cuando la muestra sea lo suficientemente grande.
La limitacin de este mtodo se puede comprobar con el hecho de que la matriz de pesos aumentar rpidamente al incrementarse el nmero de variables donde k indicadoras. De este modo, la matriz de covarianzas asinttica, de orden k x k , p p 1 /2 y p es el nmero de variables observadas, la matriz de pesos
correspondiente a un modelo con 10 variables debera ser del orden 55 x 55 , con 1540 elementos no redundantes.
Es por ello, por lo que la estimacin por mnimos cuadrados ponderados, en comparacin con el mtodo de mxima verosimilitud, requiere muestras mucho ms grandes para obtener estimaciones consistentes y eficientes. O dicho de otro modo, si las variables observadas no estn muy alejadas de la distribucin normal, la recomendacin es aplicar ML.
- 33 -
2.2.3. Estimacin por Mnimos Cuadrados Generalizados (GLS) Se trata de un caso especial dentro de la estimacin por mnimos cuadrados ponderados.
Bajo condiciones de normalidad multivariante, la funcin de ajuste del mtodo de estimacin por mnimos cuadrados ponderados puede reescribirse de la siguiente forma: F donde: tr es la traza de la matriz, tr S V
(6)
S es la matriz de covarianzas emprica, V
es la matriz de covarianzas del modelo, es un vector de parmetros t x 1 y,
dimensiones.
es la matriz de pesos p x p. Se trata de una matriz de pesos de bajas
funcin de ajuste similar, reemplazando de la expresin 6, V F tr S S
El mtodo de estimacin por mnimos cuadrados generalizados sigue una por inversa de la matriz
de covarianzas emprica, de modo que su funcin se ajuste se puede expresar como:
(7)
estimacin asintticamente equivalente a F
En general, el mtodo GLS se utiliza con frecuencia como un mtodo de , puesto que se basa en los mismos
criterios que la estimacin por mxima verosimilitud y se puede emplear bajo las mismas condiciones. Sin embargo, la estimacin por mxima verosimilitud resulta ms apropiada cuando el tamao de muestra es pequeo. Adems, resulta inapropiado cuando el modelo aumenta en tamao y complejidad.
- 34 -
2.3.
Fase de identificacin
Un modelo estar identificado si los parmetros del modelo completo (modelo estructural y modelo de medida, juntos) pueden estimarse a partir de los elementos de la matriz de covarianzas de las variables observables.
La regla conocida como regla del conteo, se emplea para identificar los modelos de ecuaciones estructurales. Se denotar al nmero total de variables con s = p + q, siendo p las variables endgenas y q las exgenas. Por consiguiente, el nmero de elementos no redundantes en es igual a s(s+1).
Adems, se denota al nmero total de parmetros a ser estimados en el modelo como t, por lo que, para realizar la identificacin del modelo se debe tener la siguiente condicin necesaria t s(s+1).
Si se tiene la igualdad, se dice que el modelo est identificado. Si t es estrictamente menor que s(s+1), se dice que el modelo est sobre identificado. Si t es mayor que s(s+1), entonces el modelo no est identificado. Cuando el modelo de ecuaciones estructurales es recursivo, est tambin identificado.
2.4.
Fase de evaluacin e interpretacin de modelos ecuaciones estructurales
Una vez que el modelo est identificado y se haya realizado la estimacin de los parmetros, nicamente restan dos pasos que resultan fundamentales para cualquier anlisis: la evaluacin e interpretacin del mismo a fin de contrastar si los datos se han ajustado al modelo propuesto.
- 35 -
La utilidad del modelo vendr dada por su capacidad para explicar la realidad observada. Esta capacidad debe evaluarse tanto para el conjunto del modelo, como para cada una de las relaciones expresadas en l.
En sentido general, podemos decir que existen tres alternativas para evaluar el modelo: la evaluacin del ajuste del modelo global10, la evaluacin del ajuste del modelo de medida y la evaluacin del ajuste del modelo estructural. A continuacin se enumerarn cada una de las medidas existentes para la evaluacin de modelos de ecuaciones estructurales.
En definitiva, hay que destacar que para cada estimacin aparecern asociados un gran nmero de ndices de bondad de ajuste que sern necesarios interpretar para concluir si el modelo es consistente con los datos empricos. Ser su correcta interpretacin, tanto de forma individual, como en sentido global, lo que determine si podemos aceptar el modelo planteado.
Puesto que el nmero de medidas de ajuste y test de bondad de ajuste necesarios para la evaluacin e interpretacin de los modelos de ecuaciones estructurales, en el tercer punto de este captulo se describen y desarrollan con detenimiento los ms utilizados tradicionalmente en la literatura especializada.
3. Bondad de ajuste de los modelos de ecuaciones estructurales
En primer lugar se expondr el ajuste del sub-modelo de medida, seguido del ajuste del sub-modelo estructural y, finalmente, se desarrollarn las medidas de ajuste
10
Entre las que se encuadra al test chi-cuadrado.
- 36 -
global ms importantes en la evaluacin e interpretaciones de los modelos de ecuaciones estructurales.
3.1.
Ajuste del modelo de medida
Tal y como ya se ha apuntado, el modelo de medida se construye a travs de la aplicacin de anlisis factorial, relacionando indicadores con variables latentes; relacin en la que subyace la existencia de una relacin lineal entre el concepto no directamente observable y su(s) manifestacin(es) observable(s).
El empleo de modelos factoriales es muy habitual en las ciencias sociales y del comportamiento ante la incapacidad de medir directamente conceptos tan amplios como el que se presenta en este trabajo de investigacin; la satisfaccin ciudadana con los servicios municipales.
El anlisis factorial tiene mucho en comn con otro mtodo de reduccin de la dimensin, ms concretamente, con el anlisis de componentes principales. Ambos mtodos buscan crear nuevas variables o factores (no directamente observables) que expliquen los datos, para lo que resulta necesario que las variables originales no estn incorreladas, porque de estarlo no habra nada que explicar de las variables. Consideramos un conjunto de p variables observadas X x ,x ,,x
se asume relacionadas con un nmero dado de variables latentes f , f , , f , donde k p, mediante una relacin del tipo: x f f u (8)
que
- 37 -
o lo que es lo mismo:
u f u
(9)
donde
,f
,u
(10)
factores comunes y se usan para interpretar los factores. Es decir, valores altos
Los son los pesos factoriales que muestran como cada x depende de
relacionan un factor con la correspondiente variable observada y as se puede caracterizar cada factor. Se asume, adems, que los residuos u , u , , u estn incorrelados entre s y
con los factores f , f , , f . Cada variable u es particular para cada u y se conoce como variable especfica.
Dado que los factores son variables latentes no directamente observables, se puede fijar de forma arbitraria su media en 0 y su varianza en 1, en otras palabras, las consideramos variables estandarizadas que, como ya se ha dicho, estn incorreladas entre s, de modo que los pesos factoriales resultan ser las correlaciones entre las variables directamente observables y los factores.
Si bien dentro del anlisis factorial podemos diferenciar entre dos mtodos de anlisis distintos: Anlisis Factorial Exploratorio (EFA) y Anlisis Factorial Confirmatorio (CFA). Mientras que el Anlisis Factorial Exploratorio (EFA) tiene como principal objetivo determinar del nmero de factores que subyacen a los datos, as como permitir que todos los indicadores saturen en todos los factores, y que todos los factores estn correlacionados, en el Anlisis Factorial Confirmatorio (AFC) es que el
- 38 -
investigador quien debe concretar a priori todos los aspectos relevantes del modelo, aspectos que deben estar fundamentados en la teora y en experiencia previa.
As, antes de comenzar con el anlisis, han de especificarse qu factores y qu indicadores forman parte del modelo, qu indicadores presentan saturaciones en cada factor, si existe o no relacin entre los factores, y as sucesivamente. El AFC es, en consecuencia, un mtodo de gran utilidad para el contraste tanto de hiptesis como de teoras11.
Grfico 3. Ejemplo de Anlisis Factorial Confirmatorio
En el grfico anterior se representa un ejemplo simple de anlisis factorial confirmatorio (CFA), en donde las variables directamente observables son X , X , , X , los errores de medida asociados a cada uno de ellos son , , , ,
mientras que las variables latentes (constructos o factores) estn representadas como , (xi1 y xi2).
11
Hay que recordar que no siempre el CFA ha sido empleado con un carcter estrictamente confirmatorio, pues son numerosos los estudios con aplicacin de modelos de ecuaciones estructurales en los que la aplicacin del CFA tiene un sentido ms exploratorio, sobre todo, en aquellos casos en los que apenas existen teoras claras o bien pertenecen a cuestiones o reas poco investigadas.
- 39 -
ambos factores covaran y, los errores asociados a cada una de las variables directamente observables son independientes.
X , X , X , X miden el factor . Adems, tal y como se pude apreciar en el Grfico 3,
figura anterior se basan en que X , X , X , X miden el factor y, por su parte,
Las hiptesis que se busca contrastar en el ejemplo de CFA representado en la
Hay que sealar que las causas de los errores de medidas resultan desconocidas, por lo que se pueden considerar como variables exgenas que reflejan dos clases de varianza nica: por una parte el error aleatorio y, por otra, la varianza sistemtica debida a otros elementos que el indicador mide adems del factor subyacente, tales como los efectos de un particular mtodo de medida.
Desde el punto de vista prctico, en primer lugar es necesario examinar la significacin estadstica de cada carga obtenida entre el indicador y la variable latente correspondiente. En otras palabras, es el anlisis factorial el que da lugar a lo que se conoce como modelo de medida, relacionando las variables latentes con las variables observables.
Una vez examinadas la significacin de las cargas, corresponde ahora evaluar la fiabilidad de cada uno de los indicadores, as como la fiabilidad compuesta del constructo o variable latente. En este sentido, la fiabilidad de cada indicador vendr dada por la proporcin de varianza que tiene en comn con el constructo. De este modo, se considera que un indicador debera tener al menos un 50% de su varianza en comn con la variable latente. En otras palabras, el lmite que se considera aceptable para esta medida de la fiabilidad compuesta es de .50.
- 40 -
Por otra parte, existe otra medida que habitualmente se utiliza para evaluar el ajuste del modelo de medida. Esta medida no es otra que la varianza extrada, que indica la cantidad global de varianza en los indicadores explicada por la variable latente. Slo si este valor es superior a .50, se considera que los indicadores miden adecuadamente dicha variable latente.
3.2.
Ajuste del modelo estructural
El anlisis Path o de senderos es el que modeliza las relaciones entre las variables latentes, o lo que es lo mismo, el modelo de estructura; en donde se incorporan el error de medida y la relacin entre constructos o variables latentes.
Para evaluar el ajuste del modelo estructural, corresponde en primer lugar, analizar la significacin alcanzada por los coeficientes estimados. De este modo, cualquier parmetro estimado debe ser estadsticamente diferente de cero, o lo que es lo mismo, si consideramos un nivel de significacin igual a .05.
Consecuentemente, un parmetro no significativo indicara que la relacin propuesta no tiene ningn efecto sustancial, por lo que debera ser eliminado y, a continuacin, reformular el modelo.
Hay que tener en cuenta que, la magnitud de los coeficientes no est nicamente determinada por su significacin de los parmetros, ya que otros factores como el tamao muestral y la varianza de las variables dependientes e independientes (cuanto mayor es la magnitud de la relacin y el tamao muestral y cuanto menor es la varianza de las variables dependientes e independientes, mayor es la probabilidad de obtener una relacin estadsticamente significativa).
- 41 -
3.3.
Medidas de ajuste global
Diremos que existe un ajuste perfecto cuando haya una correspondencia perfecta entre la matriz reproducida por el modelo y la matriz de observaciones. Entre los ndices identificados como de ajuste global, podemos diferenciar entre tres tipos de medidas: medidas absolutas de ajuste, medidas incrementales de ajuste y medidas de ajuste de parsimonia.
3.3.1. Medidas absolutas de ajuste
Las medidas absolutas de ajuste, determinan el grado en que el modelo globalmente (modelo estructural y modelo de medida) predice la matriz de datos inicial. En este grupo podemos encuadrar al estadstico ji-cuadrado, el estadstico jicuadrado no centrado (NCP12). Junto a ellas, aparecen otras medidas como la raz cuadrada del error cuadrtico medio o RMSEA13 (Root Mean Square Error of Approximation), en virtud de la cual la discrepancia entre la matriz reproducida por el modelo y la matriz de observaciones est medida en trminos de la poblacin y no en trminos de la muestra; el conocido como ndice de bondad de ajuste o GFI14, que aporta informacin sobre la variabilidad explicada por el modelo y cuyos valores oscilan entre 0 (no hay ajuste) y 1 (ajuste perfecto); y, por ltimo, dentro de las medidas absolutas de ajuste resta mencionar al ndice de bondad de ajuste relativo o RGFI15, que ayuda a evaluar la bondad de ajuste del modelo considerando el tamao muestral y el nmero de indicadores.
12
Igual al estadstico chi-cuadrado corregido por los grados de libertad. Se consideran aceptables valores lo ms prximos a cero. 13 Valores inferiores a .08 son indicativos de un buen ajuste del modelo.
14 15
Valores a partir de .90 indicaran un ajuste aceptable. Se consideran aceptables modelo cuyo RGFI tiene un valor no inferior .90.
- 42 -
Es decir, en general, la mayor parte de estas medidas estn comprendidas entre el rango entre cero (mal ajuste) y uno (ajuste perfecto), sin embargo, autores como Hu y Bentler (1995) consideran que la distribucin de estas medidas es desconocida, a excepcin obviamente, del test .
Anlogamente, aparecen dentro de este grupo de medidas: RMR (Root Square Residual o Residuo cuadrtico medio) y SRMR (Standarized Root Mean Square Residual). Para el primero de estos dos ndices, se considera que estamos ante un buen ajuste con valores por debajo de .10, .08, .06 o incluso .04, sin embargo, se trata de un ndice difcil de interpretar, por lo que se recomienda utilizar el SRMR en su lugar. Este coeficiente resulta de tomar la raz cuadrada de la media de los residuos al cuadrado, que se identifica con las cantidades por las que las varianzas y
covarianzas de la muestra se diferencian de las correspondientes varianzas y covarianzas estimadas bajo la asuncin de que el modelo es correcto. Es decir, el SRMR es la diferencia promedio entre las varianzas y covarianzas predichas y las observadas en el modelo. Por lo tanto, un valor pequeo refleja un buen ajuste. Para un ajuste perfecto este ndice debera arrojar un valor de 0, mientras valores por debajo de .05 ya se considera un buen ajuste, y por debajo de .08 un ajuste aceptable, aunque dependiendo de la literatura que consultemos, el lmite se sita en .10 .
significacin asociado es el test , mientras que el resto de medidas e ndices son que comprueba: H : S , H : S
De todos ellos, la nica medida de bondad de ajuste con un test de
descriptivos. As, para la evaluacin estadstica inferencial slo se dispone del test , tamao de muestra (cuestin que se justificar a continuacin), resultan de gran utilidad las medidas de naturaleza descriptiva que se acaban de citar, pues tambin aportan informacin sobre la bondad del ajuste absoluto del modelo. . Sin embargo, dada la sensibilidad del test al
- 43 -
verificar que las diferencias entre los elementos de y los elementos de son cero: 0.
matriz de covarianzas del modelo , es decir, bajo la hiptesis nula se trata de
Con este test se evala si la matriz de covarianzas de la poblacin es igual a la
Es decir, la bondad de ajuste ser mayor cuanto menor sea la diferencia entre ambas matrices, de modo que si la diferencia es muy pequea se podr entender que el modelo reproduce el comportamiento de los datos observados de un modo razonablemente bueno.
covarianzas estimada del modelo , donde es un vector t x 1 de parmetros N 1 converge a una .
lo que ser necesario examinar la matriz de covarianzas emprica S y la matriz de
Al tratarse de parmetros poblacionales, estas matrices son desconocidas, por
estimados. Si se verifica la hiptesis nula, el valor mnimo de la funcin de ajuste
con df
s es el nmero de elementos no redundantes en S, t es el nmero total de parmetros a estimar, N es el tamao de muestra, S es la matriz de covarianzas emprica, y es la matriz de covarianzas estimada
t grados de libertad, donde:
df
1 F S,
(11)
- 44 -
mtodos de estimacin por mxima verosimilitud, mnimos cuadrados generalizados y estimacin por distribucin libre asinttica; es decir, el valor del test depender del mtodo de estimacin que se utilice. En este sentido y, de modo general, se puede decir que valores altos de dicho test en relacin al nmero de grados de libertad modelo son significativamente distintas una de otra. indican que la matriz de covarianzas de la poblacin y la matriz de covarianzas del Por su parte, los residuos (los elementos resultantes de S ), deben ser
propone en este trabajo, AMOS, proporciona diferentes valores para el test para los
El programa estadstico empleado para la aplicacin del modelo que se
nulos o cercanos a cero en un buen ajuste, por lo que se buscar obtener un test no significativo. De este modo, si el p-valor asociado a dicho test es mayor que .05, se aceptar la hiptesis nula y el modelo ser compatible con la matriz de covarianzas
de la poblacin, en cuyo caso el modelo se ajustara bien a los datos. En caso
contrario, se puede concluir que el modelo propuesto no es consistente con los datos observados.
que el test pueda perder eficacia: -
Sin embargo, ha de tenerse en cuenta la existencia de tres factores que hacen
Violacin de la condicin de normalidad de las variables observadas. Complejidad del modelo. Uno de los puntos dbiles del estadstico es
que su valor decrece cuando incrementan los parmetros del modelo. Es decir, para modelos muy parametrizados y de gran complejidad tiende a producir valores ms pequeos de este estadstico en comparacin con modelos ms sencillos dada la reduccin de los grados de libertad empleados.
En otras palabras, cuanta mayor sea la complejidad del modelo, mayor es la probabilidad de que el test acepte el modelo.
- 45 -
Adems, no se puede obviar su dependencia del tamao de muestra. Ante tamaos de muestra pequeos, el test no es capaz de detectar diferencias significativas, aceptando con alta probabilidad modelos que no se ajustan bien a los datos. Por su parte, ante tamaos de muestra grandes, el estadstico tiende a ser estadsticamente significativo, rechazando modelo que en realidad se alejan muy poco de los datos observados.
En definitiva, y en virtud del carcter habitual en la existencia de estos tres factores, a la hora de evaluar la bondad de ajuste de un modelo sera un error evaluarlo nicamente en virtud del nivel de significacin del test . Es por ello, por lo ajuste.
que se incorporan diferentes medidas descriptivas que servirn para contrastar el
magnitud del estadstico en relacin al nmero de grados de libertad. Esto es, para
Junto a ellas, se han propuesto otros ndices basados en la comparacin de la
no existe acuerdo sobre niveles estndar, un ratio entre 2 y 3 es indicativo de un buen o aceptable ajuste del modelo a los datos, respectivamente.
un buen ajuste se espera que el ratio /df sea lo ms pequeo posible. A pesar de que
3.3.2. Medidas incrementales de ajuste
Nos referimos a ellas como medidas incrementales de ajuste o tambin como medidas descriptivas basadas en la comparacin de modelos.
De forma general, los modelos buscan ser aproximaciones simplificadas de la realidad, buscando explicar un comportamiento observado. Con este fin, se han desarrollado una serie de ndices que comparan la mejora en la bondad de ajuste de
- 46 -
un modelo con la bondad de ajuste de un modelo base16 (modelo con un ajuste muy pobre). El modelo base ms empleado para este tipo de comparaciones es el modelo nulo, en el que se supone que las variables no estn relacionadas. Es decir, se busca comparar el modelo propuesto con el peor modelo posible. En este sentido, aunque el ajuste del modelo diseado no sea perfecto, ser una mejor aproximacin a la realidad en tanto en cuanto mejore el ajuste del modelo nulo.
De entre esta familia de medidas descriptivas incrementales de ajuste, las ms empleadas son: el ndice de ajuste normado o NFI (Normed Fit Index), que mide la reduccin proporcional en la funcin de ajuste cuando se pasa del modelo nulo al propuesto; el ndice de ajuste no normado o NNFI17 (Nonnormed Fit Index), que compara el ajuste por grado de libertad del modelo propuesto y nulo; el ndice de ajuste comparativo o CFI, (Comparative Fit Index), que indica un buen ajuste del modelo para valores prximos a la unidad; el ndice de bondad de ajuste ajustado o AGFI (Adjusted Good-ness-of-Fit Index), que es el GFI ajustado por los grados de libertad del modelo propuesto y del modelo base o nulo; y, el ndice de bondad de ajuste ajustado relativo o RAGFI, que ayuda a evaluar la bondad de ajuste del modelo.
3.3.3. Medidas de ajuste de parsimonia
La parsimonia de un modelo es el grado en que alcanza ajuste para cada coeficiente o parmetros estimados, adems de funcionar como criterio de seleccin entre modelos alternativos.
16 17
El modelo base estipula una falta absoluta de asociacin entre las variables del modelo. El NNFI tiende a 1 para modelos con muy buen ajuste, aunque se consideran aceptables modelos con valores a partir de .09.
- 47 -
Algunos de los ndices de parsimonia ms utilizados en la estimacin de modelos de ecuaciones estructurales son: el ndice de bondad de ajuste parsimonioso o PGFI (Parsimony Good-ness-of-Fit Index), que consiste en el ajuste del GFI basado en la parsimonia del modelo estimado; el ndice de ajuste normado parsimonioso o PNFI18 (Parsomony Normed Fit Index), que es similar al NFI, pero considerando los grados de libertad usados para alcanzar el nivel de ajuste; el criterio de informacin de Akaike o AIC19 (Akaike Information Criterion), cuya utilidad reside en comparar modelos que poseen diferente nmero de variables latentes; y, por ltimo, el ndice CAIC (Consistent AIC), que se basa en una transformacin del ndice anterior.
Pese a que no existe acuerdo sobre cules han de ser los valores de todos estos ndices y medidas que un buen ajuste debe proporcionar, se presenta a continuacin una tabla resumen con las recomendaciones y reglas de decisin ms extendidas para la evaluacin de este tipo de modelos.
Cuando se comparan modelos alternativos, diferencias en sus valores de este ndice entre .06 y .09, son muy importantes. 19 Niveles bajos de este ndice, revelan alta parsimonia.
18
- 48 -
Tabla 1. Resumen de los ndices de bondad de ajuste.
Medida de Ajuste
Buen Ajuste 0 2df
Ajuste Aceptable 2df 2 3df 3
p-valor /df
. 05 0
/df
1.00 2
. 01
/df RMSEA p
.05
RMSEA
p-valor del test (RMSEA .05
Interv. de conf. SRMR NFI GFI CFI
lmite por la izq. 0 SRMR NFI GFI CFI
prximo a RMSEA
. 10
RMSEA p
1.00
.05
. 05
.05
.00
prximo a RMSEA .05 SRMR NFI GFI CFI
. 05
.10
.08
.10
NNFI AGFI AIC
. 97 . 90
. 95
. 95
. 97
NNFI AGFI
1.00
1.00
prximo a GFI
1.00
1.00
. 95 . 85
. 90
1.00,
. 90
. 95
NNFI AGFI
.97
.95
CAIC
CAIC ms pequeo en la comparacin
AIC ms pequeo en la comparacin
prximo a GFI
.95
.97
.90,
- 49 -
CAPTULO III. MODELIZACIN DE LA SATISFACCIN CIUDADANA MEDIANTE MODELOS DE ECUACIONES ESTRUCTURALES. PRESENTACIN DE RESULTADOS
CAPTULO III Modelizacin de la satisfaccin ciudadana mediante modelos de ecuaciones estructurales. Presentacin de resultados
1. Muestra, descripcin y anlisis de la base de datos
El estudio se centra en la evaluacin del grado de satisfaccin de los ciudadanos con determinados servicios prestados en el municipio. La informacin se ha obtenido a travs de realizacin de una encuesta de satisfaccin en uno de los municipios de la provincia de A Corua que se encuentran dentro de un determinado rango poblacional (ayuntamientos de entre 5.000 a 10.000 habitantes); ms concretamente, la poblacin correspondiente al municipio en el que se ha realizado la encuesta es de 5.705 habitantes (dato oficial a 1 de enero de 2010).
La muestra del estudio est conformada por un total de 247 encuestas realizadas a travs de CATI a habitantes mayores de edad de este ayuntamiento corus. Como resulta habitual, la encuesta se estratific por cuotas de sexo y edad, dando como resultado que el 47,4% de los encuestados son varones y el 52,6% restante son mujeres. Atendiendo a la distribucin por grandes grupos de edad, el 13,8% son menores de 30 aos (encuestados con edad comprendida entre los 18 y los 29 aos), el 27,9% pertenece al segundo tramo de edad, es decir, entre 30 y 45 aos, el 23,9% tienen una edad comprendida entre 45 y 60 aos y, por ltimo, el 34,4% restante tienen, al menos, 65 aos.
- 51 -
En relacin al status o situacin laboral en la actualidad, el 43,7% trabaja, el 29% est ya jubilado o es pensionista, el 7,3% est en situacin de desempleo, el 4,5% son estudiantes y, el 16,6% restante son amas de casa.
En funcin del nivel educativo, los sujetos se distribuyen de la siguiente forma: el 0,8% no tiene estudios, el 2% no ha completado los estudios primarios, el 17,4% tienen estudios primarios, el 52,3% tiene, al menos, el bachillerato elemental, y el 27,5% poseen un ttulo universitario.
A continuacin se presenta una versin reducida del cuestionario utilizado, que incluye las dimensiones finalmente empleadas en la construccin del modelo de ecuaciones estructurales.
1. Variables para medir la satisfaccin global de los ciudadanos: : valoracin de la administracin y los servicios administrativos en una escala de 0 a 10, donde 0 supone la peor valoracin y 10 la mejor. : grado de satisfaccin con los servicios prestados en el municipio, expresado en una escala de 0 a 10, donde 0 supone estar completamente insatisfecho y 10 completamente satisfecho. : valoracin de la calidad de vida en el municipio, expresada en una escala de 0 a 10.
2. Variables para medir la dimensin de la gestin municipal: : valoracin de la gestin realizada por el gobierno municipal en una escala de 0 a 10. : valoracin de la gestin del alcalde en una escala de 0 a 10.
- 52 -
3. Variables para medir la satisfaccin de los ciudadanos con el servicio de limpieza y recogida de residuos: : valoracin en una escala de 0 a 10 de la frecuencia en la recogida de residuos. : valoracin de 0 a 10 del servicio de recogida selectiva de residuos. : valoracin de 0 a 10 del nmero de contenedores para recogida selectiva de residuos. : valoracin de 0 a 10 del funcionamiento del servicio de recogida de residuos.
4. Variables para medir la satisfaccin de los ciudadanos con los servicios sanitarios prestados en el municipio: : valoracin, en una escala de 0 a 10, de la distancia al hospital ms cercano. : valoracin, en una escala de 0 a 10, del nmero de farmacias en el municipio. : valoracin, en una escala de 0 a 10, del nmero de mdicos de atencin primaria en el municipio. : valoracin, en una escala de 0 a 10, de los centros de salud.
5. Variables para medir la satisfaccin de los ciudadanos con la red de infraestructuras viarias del municipio: : valoracin, en una escala de 0 a 10, de la red de carreteras principales. : valoracin, en una escala de 0 a 10, de la sealizacin. : valoracin, en una escala de 0 a 10, del estado y mantenimiento de las aceras.
- 53 -
: valoracin, en una escala de 0 a 10, del estado y pavimentacin de las infraestructuras viarias del municipio. : valoracin, en una escala de 0 a 10, del estado de las carreteras secundarias.
Tras haber descrito el contenido de la matriz de datos original, se procede, en primer lugar, al anlisis descriptivo de los datos de la encuesta de satisfaccin, y posteriormente, se pondr a prueba el modelo global propuesto, recurriendo al anlisis de modelos de ecuaciones estructurales con la aplicacin del programa AMOS 16.0, para lo cual se har uso de diferentes mtodos de estimacin: mxima verosimilitud, mnimos cuadrados generalizados y distribucin libre asinttica
(etiqueta bajo la cual se corresponde en el paquete AMOS a la estimacin por mnimos cuadrados generalizados).
Tal y como se ha apuntado ya en numerosas ocasiones en este trabajo, la presencia de normalidad multivariada es el primer requisito que cualquier conjunto de datos debera reunir para la aplicacin de la mayora de mtodos de estimacin de modelos de ecuaciones estructurales. Adems, no podemos olvidar otras formas tpicas de validar la normalidad de un conjunto de datos. Hablamos, ahora, de asimetra y curtosis.
La matriz de datos original, que recoge las respuestas de 247 individuos, se ha restringido a variables con menos de 10% de casos perdidos. Estos casos faltantes se han reemplazado por la media de la variable correspondiente.
- 54 -
Tabla 2. Valores perdidos.

N x1 x2 x3 x4 x5 x6 x7 x8 x9 246 238 246 246 242 243 227 238 247 Recuento 1 9 1 1 5 4 20 9 0 Porcentaje 0,405 3,644 0,405 0,405 2,024 1,619 8,097 3,644 0,000 x10 x11 x12 x13 y1 y2 y3 y4 y5 N 244 234 240 242 225 228 223 240 245 Recuento 3 13 7 5 22 19 24 7 2 Porcentaje 1,215 5,263 2,834 2,024 8,907 7,692 9,717 2,834 0,810
Es importante destacar que han sido pocas las variables observadas que se han descartado para la construccin del modelo inicial a causa de presentar ms de un 10% de datos faltantes. Tratar de incorporarlas al modelo supondra un trabajo adicional poco fructfero para el estudio de la satisfaccin ciudadana por una razn fundamental: la informacin que aportan podra solaparse con la que incorporan las 18 variables observadas ya descritas y, como consecuencia de ello, no merecera la pena adentrarse en mtodos de imputacin que, por otra parte, requerira un trabajo especfico.
La Tabla 3 contiene los principales estadsticos descriptivos de estas 18 variables observadas, que sern las que formen parte del modelo de ecuaciones estructurales con el que se inicia el estudio de la satisfaccin ciudadana con los servicios municipales.
- 55 -
Tabla 3. Estadsticos descriptivos. Variables observables.
N x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 y1 y2 y3 y4 y5 247 247 247 247 247 247 247 247 247 247 247 247 247 247 247 247 247 247
Media 6,602 5,545 5,163 6,740 5,314 7,173 5,818 5,536 4,692 5,045 4,181 4,380 3,757 5,960 6,383 5,976 6,192 7,232
DT. 2,282 2,317 2,506 2,036 1,986 1,550 1,985 2,093 2,535 2,138 2,457 2,522 2,352 2,073 2,124 1,746 1,805 1,514
Asimetra Coef. -0,899 -0,621 -0,439 -0,700 -0,417 -0,445 -0,362 -0,321 -0,423 -0,609 -0,344 -0,308 -0,102 -0,688 -0,652 -0,873 -0,554 -1,102
Curtosis Coef. 0,693 0,203 -0,402 0,677 0,473 1,083 0,098 0,178 -0,673 0,085 -0,754 -0,694 -0,769 0,804 0,446 1,579 0,462 3,360
Error tp.
0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155 0,155
Error tp.
0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309 0,309
A la vista de los valores de los estadsticos de la tabla anterior, se entiende que existe normalidad univariada de los datos. Adems, ya que conocemos la escala de medicin de cada una de ellas, se confirma que la exigencia del nivel de medida20 de las variables observables se cumple, ya que a pesar de tratarse de variables de intervalo, medidas en una escala de 0 a 10, se tiene una escala lo suficientemente amplia como para poder tratarlas como variables cuantitativas; y dado que el nmero de valores de cada una de estas variables observables es igual a 11, la probabilidad de que la distribucin de los datos se acerque a la normalidad se incrementa considerablemente.
Es necesario que las variables observables o indicadoras sean variables continuas o, excepcionalmente ordinales con al menos 4 niveles.
20
- 56 -
Otra de las formas tpicas de validar la normalidad de un conjunto de datos reside en el estudio y anlisis de la curtosis y asimetra que presentan las variables.
En cuanto a la asimetra, valores por encima de |3.00| indicaran asimetra extrema, mientras que para el caso de la curtosis, valores entre |8.00| y |20.00| corroboraran situaciones de curtosis extrema21; valores por encima de |20.00| indicaran un serio problema de normalidad. En consecuencia, los resultados de la Tabla 3 revelan la inexistencia de problemas de asimetra y curtosis en las variables observadas que entrarn a formar parte del modelo de ecuaciones estructurales inicial.
Pero, tal y como ya se ha dicho, resulta condicin indispensable la existencia de distribucin multivariada de los datos para la aplicacin de mtodos de estimacin como la mxima verosimilitud para modelos de ecuaciones estructurales.
coficiente de Mardia obtuvo un valor, para el modelo corregido, de 74.325, y en consecuencia podemos afirmar que existe normalidad multivariada de los datos. En
es inferior a p p
Segn Bollen, existe normalidad multivariada cuando el coeficiente de Mardia 2 , donde p es el nmero de variables observadas en el modelo, y el
consecuencia, resulta pertinente utilizar el mtodo de estimacin por mxima verosimilitud en el anlisis de la satisfaccin ciudadana.
Ms all del estudio de la distribucin univariada y multivariada de los datos, tambin es necesario estudiar las relaciones de correlacin que se puedan establecer entre las variables observadas. Para este anlisis se incluye en la Tabla 4 la matriz de correlaciones de las variables observadas junto con sus correspondientes medias y desviaciones tpicas.
Sin embargo, para autores como Bollen y Long (1993), coeficientes de curtosis por debajo de |2| podran indicar ausencia de normalidad en la distribucin de los datos.
21
- 57 -
Fijndonos en los coeficientes de correlacin de Pearson comprobaremos que la existencia de una importante estructura de correlacin entre las variables observadas; ms concretamente, vemos que las correlaciones son ms grandes dentro de cada grupo de variables; es decir, se producen correlaciones ms altas entre los a la gestin entre s ( , tems de limpieza y recogida de residuos entre s ( , , ), entre los tems referentes
), etc. Por tanto, se comprueba la existencia de una
estructura de correlacin compleja ente las variables observadas, lo cual a su vez hace que sea pertinente pensar en el diseo de un modelo de ecuaciones estructurales para el anlisis de la satisfaccin ciudadana con estos servicios, en donde adems de esta estructura de correlacin entre las variables observadas se prevean relaciones directas e indirectas entre los constructos.
- 58 -
Tabla 4. Matriz de correlaciones, medias y desviaciones tpicas de las variables observables.

x1 1 0,579 0,490 0,831 0,278 0,346 0,262 0,268 0,257 0,297 0,318 0,292 0,328 0,444 0,410 0,382 0,491 0,425 6,6016 2,28192 x2 1 0,759 0,588 0,210 0,172 0,182 0,315 0,234 0,353 0,277 0,358 0,402 0,383 0,384 0,272 5,5445 2,31732 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 y1 y2 y3 y4 y5
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 y1 y2 y3 y4 y5 DT
1 0,470 0,213 0,255 0,183 0,203 0,306 0,315 0,406 0,331 0,339 0,356 0,312 0,363 0,211 5,1628 2,50649
1 0,230 0,320 0,268 0,250 0,275 0,344 0,301 0,355 0,339 0,423 0,425 0,434 0,455 0,390 6,7397 2,03561
1 0,320 0,285 0,395 0,239 0,235 0,251 0,281 0,218 0,168 0,173 0,218 0,220 0,148 5,3138 1,98586
1 0,417 0,395 0,226 0,193 0,143 0,236 0,261 0,349 0,308 0,290 7,1733 1,54964
1 0,645 0,290 0,352 0,271 0,326 0,293 0,210 0,240 0,380 0,268 0,191 5,8178 1,98531
1 0,364 0,375 0,343 0,337 0,337 0,298 0,330 0,372 0,293 0,167 5,5364 2,09255
1 0,622 0,625 0,661 0,688 0,321 0,262 0,350 0,344 0,233 4,6923 2,53481
1 0,601 0,630 0,625 0,391 0,370 0,483 0,396 0,256 5,0445 2,13803
1 0,660 0,591 0,333 0,319 0,349 0,433 0,285 4,1806 2,45651
1 0,716 0,412 0,391 0,412 0,395 0,276 4,3798 2,52185
1 0,386 0,327 0,377 0,381 0,272 3,7571 2,35181
1 0,834 0,516 0,648 0,518 5,9595 2,07344
1 0,590 0,693 0,475 6,3830 2,12401
1 0,553 0,347 5,9757 1,74591
1 0,503 6,1919 1,80467
1 7,2324 1,51381
- 59 -
En definitiva, tal y como ya se ha apuntado, se presume que en el modelo de ecuaciones estructurales aparezcan 5 variables latentes diferentes.
Uno de los constructos se crear a partir de las 4 variables indicadoras referentes a la satisfaccin con el servicio de limpieza y recogida de residuos ( ); otro constructo estar definido por las 4 variables referentes a la satisfaccin de los ciudadanos con los servicios sanitarios presentados en el ayuntamiento ( ); un constructo que busque reflejar el nivel de satisfaccin de los ciudadanos con la red de infraestructuras viarias en funcin de 5 variables indicadoras incluidas en la base de datos ( ); un constructo que refleje la satisfaccin ciudadana con la gestin realizada en el ayuntamiento, a travs de dos variables indicadoras de valoracin de la gestin del alcalde y del gobierno municipal ( ); por ltimo, la construccin de un constructo que represente el grado de satisfaccin global a travs de 3 variables indicadoras, referentes a tres dimensiones distintas: por una parte, la valoracin de los servicios administrativos, por otra la satisfaccin con los servicios prestados en el municipio, y, junto a ellas, la valoracin que los ciudadanos hacen de la calidad de vida en el ayuntamiento ( ).
El Grfico 4 nos ayuda a comprender de una forma rpida y sencilla cmo se construyen estas variables latentes a partir de las 18 variables observadas que entran en el modelo de ecuaciones estructurales inicial. Tanto las relaciones de covariacin como de regresin entre las variables latentes se analizarn detenidamente en los siguientes puntos; as como tambin los parmetros a estimar del modelo.
- 60 -
- 61 -
2. Fiabilidad de escala. Alpha de Cronbach
Junto al anlisis descriptivo es til y necesario hacer hincapi en la fiabilidad de los datos, para cuyo estudio se analiza el estadstico Alpha de Cronbach. Este estadstico supone un modelo de consistencia interna que estima el lmite inferior del coeficiente de fiabilidad basndose en el promedio de las correlaciones entre los tems, y cuyo clculo viene determinado por la siguiente expresin:
(12)
donde: k es el nmero de tems de la escala o subescala, es la varianza de los tems (desde 1,,k) y es la varianza de la escala
total. Es decir, este coeficiente mide la fiabilidad de dicha escala (de las variables indicadoras) en funcin de dos trminos: el nmero de tems (n de variables indicadoras) y, la proporcin de varianza total de la prueba debida a la covarianza entre sus partes (tems).
Una de las ventajas que trae consigo la utilizacin de este estadstico reside en que ofrece la posibilidad de evaluar cunto mejorara (o empeorara) la fiabilidad del ndice si se excluyera un determinado tem.
62
Tal y como se puede observar en la Tabla 5, los valores de este ndice oscilan entre 0.739 y 0.921, alcanzando el 0.919 si tenemos en cuenta la escala total. (Dentro de cada factor, decir cuntos indicadores hay y computar el ndice de fiabilidad, adems computarlo para todos los indicadores juntos).
Tabla 5. Fiabilidad de escala y consistencia interna. Alpha de Cronbach.

Alpha de Cronbach 0,868 0,735 0,908 0,921 0,741 0,919
N de Items Xi1 Xi2 Xi3 Eta1 Eta2 Total 4 4 5 2 3 18
Analizando, uno por uno los ndices de cada tem, teniendo en cuenta todas las variables indicadoras, no resulta recomendable eliminar ninguno de ellos con el fin de que el ndice de consistencia aumente.
Sin embargo, si nos acercamos al estudio de la consistencia dentro de cada constructo, nicamente en el caso de la satisfaccin de los ciudadanos con los servicios sanitarios ofrecidos en el ayuntamiento ( ), el coeficiente de Cronbach se incrementa, aunque muy levemente, pasando de 0.735 a 0.742, si eliminamos
22.
22
Valoracin de la distancia al hospital ms cercano.
- 63 -
Tabla 6. Consistencia interna del constructo
de Servicios Sanitarios.
Media de la escala si se elimina el elemento x5 x6 x7 x8 18,528 16,668 18,023 18,305
Varianza de la escala si se elimina el elemento 21,216 23,163 18,544 17,076
Correlacin elementototal corregida 0,410 0,476 0,595 0,648
Alfa de Cronbach si se elimina el elemento 0,742 0,706 0,633 0,596
3. Modelo de Ecuaciones Estructurales Inicial
Tal y como ya se ha expuesto, el modelo de ecuaciones estructurales inicial23 se construye a partir de 18 variables observadas; variables que se corresponden con 18 tems de la encuesta de satisfaccin realizada en uno de los ayuntamientos de la provincia de A Corua, perteneciente al grupo de ayuntamientos con poblacin oscila entre 5.000 y 10.000 habitantes.
A partir de ellas se crean 5 variables latentes diferentes a travs de anlisis factorial confirmatorio. Una vez creadas las variables latentes, se determinan las relaciones que stas establecen entre s, pudiendo ser relaciones de correlacin y, o, relaciones de regresin.
En el Grfico 5 se pueden apreciar, adems de las relaciones que se establecen entre las variables, algunos de los parmetros a estimar del modelo inicial.
Al modelo inicial tambin se le conoce en la literatura sobre ecuaciones estructurales como modelo terico.
23
- 64 -
65
Siguiendo con un anlisis ms pormenorizado del Grfico 5, los componentes del modelo de ecuaciones estructurales inicial son los siguientes: a. Variables latentes: exgenas endgenas b. Variables observadas: exgenas endgenas c. Errores de medida: , , , , , , , , , , , , , , , , , , ,
, ,
, ,
, ,
de variables observadas exgenas: , , ,
de variables observadas endgenas: d. Trminos de perturbacin:

,
, que incluyen los efectos de las variables
omitidas, los errores de medida y la aleatoriedad del proceso especificado. La variacin en el trmino de perturbacin se denota por , y la covariacin .
entre los trminos de perturbacin i-simo y j-simo se denotara por e. Coeficientes de regresin: las observadas. f. Coeficientes de regresin:
, , ,
que relacionan las variables latentes con
(representan la relacin entre una (relaciona las variables (representan la covariacin
variable latente exgena y una endgena), latentes endgenas entre s) y,

, ,
entre las variables latentes exgenas).
Recordemos que los modelos de ecuaciones estructurales estn compuestos por el modelo estructural, propiamente dicho y un modelo de medida. Tal y como ya se mencion en el punto anterior, la representacin del modelo estructural sigue la expresin (1):
(13)
- 66 -
De forma que la representacin del modelo expresado a travs de ecuaciones estructurales es:
(14)
En formato matricial quedara expresado del siguiente modo: 0 0 0 0 0 0
Por su parte, el modelo de medida quedara expresado a travs de las siguientes ecuaciones:
Modelo de medida de indicadores endgenos:
Modelo de medida de indicadores exgenos:
- 67 -
Al igual que se ha hecho para el modelo estructural, el modelo de medida expresado de forma matricial es:
Modelo de medida de indicadores endgenos: 0 0 0 0 0 0 0 0 0
Modelo de medida de indicadores exgenos: 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0
- 68 -
4. Identificacin del modelo inicial
Para el modelo representado en el grfico anterior, el nmero total de variables endgenas es p=5, variables exgenas q=13, por lo que s=18; en virtud de lo cual, el nmero de elementos no redundantes en es de 171. En este caso, el nmero total de parmetros del modelo a ser estimados, denotados por t, asciende a 44.
Es decir, dado que t es estrictamente menor que s(s+1), podemos afirmar que el modelo se encuentra sobre-identificado, por lo que el modelo cumple la condicin necesaria para estar identificado. Adems, es importante sealar que estamos ante un modelo recursivo, puesto que no existe ninguna correlacin entre residuos.
5. Estimacin y ajuste. Presentacin de resultados
Antes de presentar los ajustes obtenidos, hay que decir que, en un paso previo, se examinaron los resultados buscando posibles estimaciones infractoras, o lo que es lo mismo, coeficientes estimados tanto en los modelos de medida como en los estructurales que excedan los lmites aceptables. Esto es:
Varianzas de error negativas o varianzas de error no significativas para cualquiera de los 5 constructos.
Coeficientes estandarizados cuyos valores sobrepasen 1.000. Errores estndar muy elevados asociados con cualquier coeficiente estimado.
- 69 -
Sin embargo, en el planteamiento del modelo inicial, no se encontr ninguna de estas estimaciones infractoras, por lo que no ha sido necesario aplicar ninguna medida correctiva, puesto que todas las estimaciones resultaron estadsticamente significativas y confiables.
As pues, llegado este punto, es oportuno comenzar, en primer lugar, por estudiar y analizar el modelo inicial (Modelo 1 de aqu en adelante) estimado por mxima verosimilitud, por no violarse la condicin de normalidad multivariada y ser el mtodo ms recomendado por la mayora de los autores consultados.
En suma, el Modelo 1 representado en el Grfico 6, est integrado por un total de 43 variables, de las cuales 23 son variables exgenas y 20 variables endgenas; aparecen 18 variables directamente observables, tambin llamadas indicadoras, representadas a travs de rectngulos. Junto a ellas aparecen asociados los errores de medida y los 5 constructos, o variables latentes (variables no observadas directamente) representadas mediante elipses.
En el grfico aparecen las estimaciones de todos los parmetros del modelo; estimaciones que estn estandarizadas24 para que la interpretacin del modelo sea ms sencilla.
El programa AMOS proporciona las estimaciones de los parmetros tanto estandarizadas como no estandarizadas.
24
- 70 -
Grfico 6. Modelo 1 de Ecuaciones Estructurales. Estimacin por Mxima Verosimilitud (estimaciones estandarizadas).
71
En primer lugar, corresponde analizar el ajuste del modelo de medida, as como las relaciones entre las distintas variables que conforman el Modelo 1, partiendo de los distintos parmetros, estimados por mxima verosimilitud, que aparecen reflejados en el Grfico 6.
Los valores que aparecen junto a las flechas que van desde los constructos a las variables de medida indican la carga factorial de las variables indicadoras o
directamente observables en el factor comn. Por su parte, en la parte superior de los rectngulos que representan a las variables indicadoras encontramos el valor de la varianza explicada en la variable por el constructo ( la fiabilidad de la medida. ), que podemos entender como
Tabla 7.
Estimate eta1 eta2 y5 y4 y3 y1 y2 x9 x10 x11 0,258 0,907 0,32 0,611 0,448 0,801 0,864 0,635 0,595 0,583 x12 x13 x8 x7 x6 x5 x4 x3 x2 x1 Estimate 0,715 0,678 0,653 0,593 0,284 0,221 0,809 0,352 0,471 0,811
Las cargas factoriales del Modelo 1 estimado por mxima verosimilitud, representado en el Grfico 4, oscilan entre .47 y .93, con unos ndices de fiabilidad aceptables, en la mayora de los casos. Uno de los constructos mejor definidos es ,
que representa la satisfaccin de los ciudadanos con la red de infraestructuras viarias en el municipio.
- 72 -
Las correlaciones entre los constructos (representadas mediante flechas bidireccionales) son moderadas, entre las cuales destaca la correlacin entre y ,o
lo que es lo mismo, entre el constructo que representa la satisfaccin con la red de infraestructuras viarias y el constructo que representa la satisfaccin con los servicios sanitarios prestados en el municipio, con un valor de .53; mientras que la correlacin ms baja se da entre y (entre el constructo que representa el servicio de limpieza
y recogida de residuos y el que representa los servicios sanitarios ofrecidos en el municipio), con un valor de .41.
El siguiente paso en el anlisis de ajuste del modelo comienza comprobando que el Modelo 1 se confirma, es decir, llevando a cabo la evaluacin global del mismo, de forma que se pueda determinar en qu medida este modelo inicial reproduce adecuadamente las relaciones que existen en la matriz de covarianzas de los datos empricos. En la Tabla 8 se muestran los ndices para analizar plausibilidad de dicho modelo. Con 128 grados de libertad y un valor de Chi Cuadrado de 372,654 tenemos un estadstico con una probabilidad asociada menor de .000, por lo que aunque este estadstico tiene un valor significativo, dado que la variable no es estrictamente continua, el valor de Chi Cuadrado est sobrestimado y por esto prestamos atencin al resto de los valores de los ndices de ajuste.
Sin embargo, hay que decir que, considerndolo de forma aislada, al .05% de confianza, se considera que existen diferencias significativas entre el modelo estimado y los datos, por lo que, sin tener en cuenta ningn otro tipo de medida, provisionalmente se asumira que el modelo no se ajusta a los datos, aunque, al hilo de lo que ya se ha expuesto en alguna ocasin en este trabajo, es necesario contextualizar el valor de este estadstico con otros criterios de bondad de ajuste que se presentarn ms adelante.
- 73 -
Tabla 8. Resumen del Modelo 1. Estimacin por Mxima Verosimilitud
Modelo 1 Default model Saturated model Independence model
NPAR 61 189 36
Chi-square 372,654 0,000 2680,118
DF 128 0 153
P 0,000 0,000
Chi-square/DF 2,911 17,517
Adems, los resultados del chi-cuadrado tambin quedan mediatizados por el n de la muestra (247), que cuanto ms grande es, peor es el ajuste y se incrementa la posibilidad de rechazar el modelo, aunque las diferencias entre las matrices observada y reproducida sean mnimas. Es importante sealar que esta argumentacin habr que mantenerla para todos los distintos modelos que se presentan en este trabajo de investigacin.
La siguiente tabla, Tabla 9, contiene las estimaciones de los parmetros del modelo (Modelo 1-ML), el error estndar aproximado (S.E.), la proporcin crtica (C.R.) y las estimaciones estandarizadas de los parmetros.
La proporcin crtica (C.R.) es el cociente entre la estimacin del parmetro y la estimacin del error estndar. Si se renen las suposiciones de distribucin apropiadas, este estadstico sigue una distribucin normal estndar bajo la hiptesis nula de que el parmetro tiene un valor de cero. Es decir, si a una estimacin le corresponde una proporcin crtica mayor que 2 en valor absoluto, ms concretamente 1.96, el parmetro es significativamente diferente de cero al nivel .05.
A la vista de los resultados contenidos en dicha tabla, se comprueba que todos los valores de proporcin crtica son mayores que dos, por lo que en consecuencia, todos los parmetros estimados son significativos.
- 74 -
Como ejemplo se interpreta el primer parmetro que aparece en la tabla, 0.518, es el valor con el cual la variable latente exgena latente endgena (eta1).
(xi3) influye sobre la variable
Tabla 9. Estimaciones de Mxima Verosimilitud del Modelo 1.

Estimate eta1 eta2 eta2 eta2 x1 x2 x3 x4 x5 x6 x7 x8 x13 x12 x11 x10 x9 y2 y1 y3 y4 y5 <--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--xi3 eta1 xi2 xi1 xi1 xi1 xi1 xi1 xi2 xi2 xi2 xi2 xi3 xi3 xi3 xi3 xi3 eta1 eta1 eta2 eta2 eta2 0,518 0,440 0,221 0,152 1,000 0,774 0,723 0,891 1,000 0,886 1,640 1,813 1,000 1,101 0,968 0,852 1,043 1,000 0,940 1,000 1,196 0,739 0,048 0,107 0,088 19,594 11,191 8,407 0,071 0,073 0,063 0,073 15,540 13,225 13,516 14,336 0,155 0,254 0,269 5,701 6,444 6,742 0,064 0,073 0,044 12,103 9,858 20,071 S.E. 0,068 0,043 0,083 0,034 C.R. 7,619 10,216 2,669 4,459 S. Estimate 0,508 0,764 0,181 0,275 0,901 0,686 0,593 0,899 0,470 0,533 0,770 0,808 0,824 0,845 0,763 0,772 0,797 0,930 0,895 0,669 0,782 0,566 Sig. 0,000 0,000 0,008 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
- 75 -
De este modo, los modelos de medida y estructural quedan definidos a travs de las siguientes ecuaciones:
eta1 = eta2 = eta2 = eta2 = x1 = x2 x3 x4 x5 x6 x7 = = = = = =
0.518*xi3 0.440*eta1 0.221*xi2 0.152*xi1 1.000*xi1 0.774*xi1 0.723*xi1 0.891*xi1 1.000*xi2 0.886*xi2 1.640*xi2
x8 x13 x12 x11 x10 x9 y2 y1 y3 y4 y5
= = = = = = = = = = =
1,813*xi2 1.000*xi3 1.101*xi3 0.698*xi3 0.852*xi3 1.043*xi3 1.000*eta1 0.940*eta1 1.000*eta2 1.196*eta2 0.739*eta2
A continuacin se presenta en la Tabla 10, el mnimo valor de la funcin de discrepancia (FMIN), igual a 1.515 del modelo. Al respecto de la funcin de discrepancia, Bentler y Bonett (1980) y Tucker y Lewis (1973) sugieren ajustar el modelo de independencia o algn otro modelo bsico o nulo, para ver cun grande puede llegar a ser la funcin de discrepancia. Como se puede observar en la tabla 9, el Modelo 1 tiene un valor de discrepancia de 1.515, que es un valor razonable comparado con 10.895, valor de la funcin de discrepancia correspondiente al modelo de independencia. Es muy habitual utilizar este modelo de independencia como modelo bsico, y es el modelo que utiliza el programa AMOS. Por el contrario, el modelo saturado se corresponde con aqul que alcanza un ajuste perfecto.
Tabla 10. Funcin de discrepancia. Resumen de los modelos.

Modelo 1 Default model Saturated model Independence model FMIN 1,515 0,000 10,895 LO 90 0,775 0,000 9,605 HI 90 1,245 0,000 10,970
- 76 -
El tercer paso en el anlisis de nuestro modelo pasa por la evaluacin de los ndices de bondad ajuste global, evaluando el modelo estructural y de medida conjuntamente, esto es, sin que sea necesario el anlisis de ambos por separado. De este modo, se comprobar si, en efecto, los datos se ajustan al modelo propuesto.
Tabla 11. Medidas de ajuste global del Modelo 1. Estimacin por Mxima Verosimilitud.
Independence model 2527,118 2362,877 2698,710 0,259 0,251 0,268 0,000
Medida de Ajuste GFI NCP LO 90 HI 90 RMSEA LO 90 HI 90 SRMR PCLOSE
Default model 0,861 244,654 190,635 306,313 0,088 0,078 0,099 0,083 0,000
Saturated model 1,000 0,000 0,000 0,000 -
En relacin a los ndices absolutos de ajuste, el modelo inicial propuesto, presenta, de forma general, un ajuste pobre, ya que se tienen valores de GFI, RMSEA fuera de los lmites de aceptacin establecidos, resumidos en la Tabla 11. Si bien es cierto, que los valores de ninguno de ellos se aleja mucho de estos lmites, pues la raz cuadrada del error cuadrtico medio (RMSEA) toma un valor de .088, el lmite para un ajuste aceptable se sita .08 y, por su parte, el GFI que toma un valor de .861, cercano al lmite del .90 establecido como lmite inferior para poder calificar como aceptable un modelo.
- 77 -
El valor del estadstico ji-cuadrado no centrado, NCP, no es cercano a cero, lo que implicara que existen diferencias entre la matriz de observaciones y la matriz estimada, sin embargo, si lo comparamos con el valor que toma este mismo estadstico para el modelo nulo, se comprueba que el modelo propuesto presenta un valor mucho ms bajo, lo cual es un buen indicativo de este ndice. Es posible estandarizar este ndice o parmetro de no centralidad, dividiendo por el tamao de muestra, con lo que se obtendra lo que se conoce como Parmetro de No Centralidad a Escala (SNCP), as:
244.645 247
0.99
Esta medida ajustada es anloga a la medida de la distancia media eucldea al cuadrado entre el modelo estimado y el modelo sin restriccin. El objetivo es minimizar el valor de este parmetro y, dado que no existe ningn test estadstico para esta medida, resulta de utilidad para comparar entre modelos alternativos.
Adems, la estandarizacin del valor del residuo cuadrtico medio (SRMR) arroja un resultado de 0.083; un valor que se encuentra dentro de los lmites para considerar el ajuste del modelo aceptable.
Otro tipo de ndices de ajuste del modelo, de los que ya hemos hablado, son los ndices incrementales de ajuste, tradicionalmente promovidos por Bentler (en el programa EQS). Este tipo de ndices comparan el modelo implementado, en este caso, el Modelo 1, con el modelo base o nulo, en el que se asume que las covarianzas entre las variables son cero.
- 78 -
La siguiente tabla (Tabla 12) contiene los valores de algunos de los ndices incrementales de ajuste que habitualmente se utilizan. En ella se puede verificar que solamente dos de ellos, el ndice incremental de ajuste, o IFI, y el ndice comparativo de ajuste , CFI25, estn por encima del lmite establecido como el valor mnimo necesario para catalogar a un modelo como aceptable en su ajuste a los datos, .90. Es decir, todo ello apunta hacia un ajuste pobre del modelo, pese a que en alguno de los ndices hasta ahora presentados, se pueda considerar como aceptable.
Tabla 12. Medidas incrementales de ajuste del Modelo 1. Estimacin por Mxima Verosimilitud.
Independence model 0,000 0,000 1,000 1,000 0,000 0,000 0,000 0,000
Medida de Ajuste NFI RFI IFI TLI CFI AGFI
Default model 0,861 0,834 0,904 0,884 0,903 0,884
Saturated model 1,000
Hay que decir que tanto el NFI, como IFI, RFI y TLI, son medidas e ndices que comparan el modelo estimado (Modelo 1) con un modelo base que tradicionalmente suele ser aquel que estipula la falta total de asociacin entre las variables del modelo; en otras palabras, comparan el modelo estimado con el peor modelo posible.
Para finalizar con el anlisis de los ndices de ajuste del modelo, resta presentar e interpretar los ndices de parsimonia, que ofrecen medidas del ajuste del modelo por coeficiente estimado. Se presentan, a continuacin, los valores de todos los ndices de parsimonia que ofrece la salida de resultados del programa AMOS. (Ver Tabla 13).
Delos ndices incrementales de ajuste ste, CFI, es el ms recomendado por Bentler y cuyo valor oscila entre 0 y 1. Aporta informacin sobre la prdida relativa de ajuste del modelo en cuestin, versus, la prdida de ajuste del modelo base o nulo.
25
- 79 -
Tabla 13. Medidas de ajuste de parsimonia del Modelo 1. Estimacin por Mxima Verosimilitud.
Independence model 0,000 2752,118 2758,145 17,000 19,000
Medida de Ajuste PNFI PGFI AIC BCC HOELTER 0.5 HOELTER 0.1
Default model 0,756 0.702 494,654 504,865 103 111,000
Saturated model 0,000 378,000 409,639 -
En definitiva, con los tests o ndices de bondad de ajuste que aqu se han presentado, lo que se busca es determinar hasta qu punto las diferencias obtenidas entre la matriz de varianzas y covarianzas muestral y la matriz de varianzas y covarianzas estimada a partir de este Modelo 1 inicial, son debidas al azar o a que el modelo es falso.
Para
completar
el
anlisis,
las
estimaciones
de
los
parmetros
correspondientes al Modelo 1 se han calculado, tambin, empleando otros mtodos de estimacin ampliamente extendidos en la aplicacin de modelos de ecuaciones estructurales y de los que ya se ha hablado en este trabajo: el mtodo de mnimos cuadrados generalizados y el mtodo de distribucin libre asinttica.
Se presentan los resultados de los ndices de ajuste global del Modelo 1 en sendas tablas resumen, de modo que se pueda hacer una comparacin rpida y sencilla de los valores arrojados por los diferentes mtodos de estimacin empleados; mxima verosimilitud (ML), mnimos cuadrados generalizados (GLS) y distribucin libre asinttica (ADF) y, a continuacin, los grficos con las estimaciones estandarizadas del Modelo 1 estimadas por GLS y ADF. (ver Grfico 7 y Grfico 8).
- 80 -
Tabla 14. Comparativa resumen del Modelo1. Tres mtodos de estimacin.
ML
NPAR 61 189 36 Chisquare 372,654 0,000 2680,118 DF 128 0 153 P 0,000 0,000 Chisquare/DF 2,911 17,517 NPAR 43 171 18 Chisquare 249,559 0,000 540,251
GLS
DF 128 0 153 P 0,000 0,000 Chisquare/DF 1,950 3,531 NPAR 43 171 18 Chisquare 507,383 0,000 1569,630
ADF
DF 128 0 153 P 0,000 0,000 Chisquare/DF 3,964 10,259
Tabla 15. Comparativa de la funcin de discrepancia. Tres mtodos de estimacin.
ML
Modelo 1 Default model Saturated model Independen ce model FMIN 1,515 0,000 10,895 LO 90 0,775 0,000 9,605 HI 90 1,245 0,000 10,970 FMIN 1,014 0,000 2,196
GLS
LO 90 0,328 0,000 1,301 HI 90 0,692 0,000 1,878 FMIN 2,063 0,000 6,381
ADF
LO 90 1,276 0,000 5,257 HI 90 1,838 0,000 6,291
- 81 -
Tabla 16. Comparativa de las medidas de ajuste global del Modelo 1. Tres mtodos de estimacin. ML
Medida de Ajuste GFI NCP LO 90 HI 90 RMSEA LO 90 HI 90 SRMR PCLOSE Default model 0,861 244,654 190,635 306,313 0,088 0,078 0,099 0,083 0,000 Saturated model 1,000 0,000 0,000 0,000 2527,118 2362,877 2698,710 0,259 0,251 0,268 0,000 Independence model Default model 0,887 121,559 80,596 170,320 0,062 0,051 0,074 0,089 0,042
GLS
Saturated model 1,000 0,000 0,000 0,000 Independence model 0,756 387,251 320,162 461,927 0,101 0,920 0,111 0,000 Default model 0,845 379,383 313,854 452,475 0,11 0,100 0,12 0,000
ADF
Saturated model 1,000 0,000 0,000 0,000 Independence model 0,522 1416,630 1293,177 1547,499 0,194 0,185 0,203 0,000
- 82 -
Tabla 17. Comparativa de las medidas incrementales de ajuste global del Modelo 1. Tres mtodos de estimacin. ML
Medida de Ajuste NFI RFI IFI TLI CFI AGFI Default model 0,861 0,834 0,904 0,884 0,903 0,884 Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 Default model 0,538 0,448 0,705 0,625 0,686 0,849
GLS
Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 0,727 Default model 0,845 0,614 0,737 0,680 0,732 0,793
ADF
Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 0,465
Tabla 18. Comparativa de las medidas de ajuste de parsimonia del Modelo 1. Tres mtodos de estimacin. ML
Medida de Ajuste PNFI PGFI AIC BCC HOELTER 0.5 index HOELTER 0.1 index Default model 0,756 0,702 494,654 504,865 103 111 Saturated model 0,000 378,000 409,639 Independence model 0,000 2752,118 2758,145 17 19 Default model 0,45 0,664 335,559 529,463 154 166
GLS
Saturated model 0,000 342,000 1113,105 84 90 Independence model 0,000 0,676 576,251 657,42 23 25 Default model 0,566 0,613 593,383 787,287 76 82
ADF
Saturated model 0,000 0,000 342,000 1113,105 Independence model 0,000 0,000 1605,630 1686,799 29 31
- 83 -
Grfico 7. Modelo 1 de Ecuaciones Estructurales. Estimacin por Mnimos Cuadrados Generalizados (estimaciones estandarizadas).
- 84 -
Grfico 8. Modelo 1 de Ecuaciones Estructurales. Estimacin por Distribucin Libre Asinttica (estimaciones estandarizadas).
- 85 -
En las Tablas 14 a 18 anteriores, de utilidad para comparar entre los tres mtodos de estimacin del Modelo 1, se presenta tambin el ndice de validacin cruzada esperada o ECVI, que supone una aproximacin a la bondad de ajuste que alcanzara el modelo estimado en otra muestra del mismo tamao, teniendo en cuenta el nmero de parmetros estimados tanto para el modelo de medida como para el modelo estructural. Para su clculo, se divide valor del estadstico del
modelo estimado entre el tamao de muestra menos 1, ms dos veces el nmero de parmetros estimados entre el tamao de muestra menos 1.
Asimismo, tambin se incluyen los valores correspondientes al ndice de Hoelter, medida empleada para juzgar si el tamao de muestra es adecuado. Por consenso, se considera que ste resulta adecuado cuando N de Hoelter es mayor que 200, mientras que valores por debajo de 75 se consideran inaceptables. Esta medida es de utilidad para entender el gap entre el ajuste y la sensibilidad del valor del estadstico respecto del tamao de muestra.
Como se ha visto, son muchos los ndices de ajuste que presentados para la evaluacin del ajuste de este modelo y que programas de estimacin de modelos de ecuaciones estructurales, como AMOS y LISREL entre otros, proporcionan. Sin embargo, hay que sealar que ninguno de ellos por separado resulta suficiente para determinar si el modelo se ajusta debidamente a los datos. En la actualidad, la combinacin ms extendida y utilizada es la siguiente: , RMSEA, ECVI, SRMR, GFI y CFI; ya que el anlisis e interpretacin de este conjunto de ndices resulta suficiente como para poder tomar una decisin en cuanto al ajuste del modelo en cuestin.
En virtud de lo expuesto hasta ahora, y en virtud de los valores que han tomado estas medidas de ajuste, podemos deducir que el modelo presenta capacidad de mejora, por lo que resulta necesario realizar las modificaciones pertinentes.
- 86 -
Con ello, se espera que, tras la estimacin de un modelo corregido, los valores de los ndices de bondad de ajuste sean mejores y ms favorables. As, con este nuevo objetivo, se considera procedente y oportuna la eliminacin de determinados tems del Modelo 1; ms concretamente, de prescindir de estos tems queda justificado por varias razones: , , , y . El
a) Su escaso poder de explicacin en varianza de los constructos (o variables latentes) a los que estaban asociados. b) Se considera que mantenerlos en el anlisis puede distorsionar los resultados.
Junto a estas dos razones, hay que sealar que adems, con la eliminacin de estas variables indicadoras se consigue que el nivel de explicacin del constructo , que representa la satisfaccin global de los ciudadanos con los servicios en el municipio no disminuya, ya que con este nuevo modelo ms simplificado o
corregido se explica el 91% de su varianza; exactamente igual al nivel de explicacin con la estimacin del modelo con todas las variables indicadoras.
6. Correccin y mejora del modelo
Normalmente, se rechazan los modelos, dada su excesiva complejidad y las numerosas restricciones a las que estn sujetos. Ante este escenario, los modelos han de ser modificados para mejorar tanto en su ajuste como en complejidad.
- 87 -
Grfico 9. Modelo 2 corregido. Estimacin por Mxima Verosimilitud (estimaciones estandarizadas).
88
El anlisis de la consistencia interna revel valores alfa de Cronbach para el factor (Limpieza y recogida de residuos) ligeramente superiores a .90. Hay que
recordar que en este modelo (Modelo 2 corregido), en la construccin de dicho factor, nicamente intervienen 2 tems ( : valoracin, en una escala de 0 a 10, de la frecuencia en la recogida de residuos y : valoracin, en una escala de 0 a 10, del
funcionamiento del servicio de recogida de residuos). A pesar de la reduccin del nmero de tems para este factor, la consistencia interna ms favorable, pues el valor del alfa de Cronbach pasa de .868 a .905.
Igualmente, otra de las subescalas, ms concretamente la que se refiere al factor (Servicios Sanitarios), reflej un nivel de consistencia interna superior a la
obtenida con el Modelo 1, pasando de un alfa de Cronbach de .735 a .784.
Sin embargo, en el caso del factor
(Satisfaccin ciudadana), la
consistencia interna se ve sensiblemente reducida al extraer del anlisis el tem que expresa la valoracin que los ciudadanos hacen de la calidad de vida en el municipio, pasando de .741 a .712 en su valor alfa de Cronbach.
Tabla 19. Fiabilidad de escala y consistencia interna. Alpha de Cronbach del Modelo 2 corregido.
Alpha de Cronbach 0,905 0,784 0,908 0,921 0,712 0,902
N de Items Xi1 Xi2 Xi3 Eta1 Eta2 Total 2 2 5 2 2 13
- 89 -
En definitiva, a la luz de los datos contenidos en la Tabla 19, se pudo comprobar que esta versin corregida del modelo inicialmente propuesto reuna las condiciones de consistencia interna tericamente exigibles, o lo que es lo mismo, se constat que la estructura factorial del mismo estaba justificada.
Para constatar la fiabilidad de medida se presentan en la Tabla 20 los valores de varianza explicada en la variable por el constructo correspondiente; destacando sobre todas las dems, la varianza explicada en satisfaccin ciudadana global. , o lo que es lo mismo, en la
Tabla 20.
Estimate eta1 eta2 x8 x7 y4 y3 y1 y2 0,249 0,909 0,661 0,623 0,599 0,463 0,782 0,886 x9 x10 x11 x12 x13 x4 x1 Estimate 0,638 0,595 0,581 0,713 0,680 0,853 0,809
Las cargas factoriales de este modelo corregido representado en el Grfico 7 oscilan entre .68 y.94 con unos ndices de fiabilidad aceptables en prcticamente todos los casos y en donde todos los constructos han quedado bien definidos, especialmente y .
En el caso de las correlaciones entre los constructos, hay que decir que al alterar los tems que saturan en tres de los cinco factores del modelo ( , provoca que stas tambin varen sensiblemente. y )
- 90 -
De este modo, se complet la aproximacin en dos pasos, tal y como recomiendan Anderson y Gerbing (1988), al realizarse en primer lugar un modelo de medida que permiti dar validez de constructo a los instrumentos, lo cual se corresponde con un anlisis factorial confirmatorio y, en segundo lugar, un modelo estructural, que sirvi para analizar las relaciones entre las percepciones de satisfaccin con determinados servicios pblicos (limpieza y recogida de residuos, los servicios sanitarios, las infraestructuras viarias) y la valoracin de la gestin realizada en el municipio, y la satisfaccin ciudadana en un sentido ms amplio y global.
En los anexos del trabajo se adjuntan tambin los grficos correspondientes a la estimacin del Modelo 2 corregido por Mnimos Cuadrados Generalizados y Distribucin Libre Asinttica, as como las tablas comparativas entre los tres mtodos de estimacin empleados con el resumen de las medidas de ajuste global.
Hablando ahora de la bondad de ajuste del Modelo 2 corregido, es importante recordar que, como ya se ha apuntado con anterioridad, el estadstico chicuadrado es muy sensible al tamao muestral y con muestras amplias el test tiende a ser estadsticamente significativo (Jreskog y Srbom, 1989), resulta conveniente tener en cuenta la ratio /df que, para autores como Bentler (1989) se considera aceptable cuando toma un valor inferior a 5, mientras que en investigaciones ms restrictivas se establece que para un buen ajuste, a esta ratio ha de corresponderle un valor menor que 2 (Ullman, 2001).
As, a la luz de los resultados contenidos en la Tabla 21 que contiene el nmero de parmetros estimados por el mtodo de mxima verosimilitud, el valor del estadstico chi-cuadrado del modelo, sus correspondientes grados de libertad y la ratio /df, podemos comprobar que, en efecto, el valor de este indicador resulta ms favorable si lo comparamos con el que se obtuvo para el modelo inicial (Modelo 1). Ms concretamente, se pasa del 2,91 del Modelo 1 a 2,19 del Modelo corregido.
- 91 -
Tabla 21. Resumen del Modelo 2 corregido. Estimacin por Mxima Verosimilitud.
NPAR 46 104 26 CMIN 127,543 0,000 2029,176 DF 58 0 78 P 0,000 0,000 CMIN/DF 2,199 26,015
Model Default model Saturated model Independence model
Al igual que para la estimacin de los parmetros del Modelo 1, se presentan en la Tabla 20, las estimaciones de los parmetros del Modelo corregido por mxima verosimilitud, comprobndose que todos los valores de proporcin crtica (C.R.) son mayores a 2, lo que significa que todos los parmetros resultaron estadsticamente significativos.
Tabla 22. Estimaciones de Mxima Verosimilitud del Modelo 2 corregido.

Estimate eta1 eta2 eta2 eta2 x1 x4 x13 x12 x11 x10 x9 y2 y1 y3 y4 x7 x8 <--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--xi3 eta1 xi1 xi2 xi1 xi1 xi3 xi3 xi3 xi3 xi3 eta1 eta1 eta2 eta2 xi2 xi2 0,515 0,450 0,141 0,147 1,000 0,916 1,000 1,098 0,966 0,851 1,044 1,000 0,917 1,000 1,167 1,000 1,086 0,129 8,438 0,104 11,184 0,048 19,247 0,071 0,073 0,063 0,073 15,535 13,218 13,527 14,389 0,070 13,085 S.E. 0,068 0,044 0,035 0,050 C.R. 7,519 10,321 3,995 2,957 S. Estimate 0,499 0,776 0,25 0,199 0,9 0,923 0,824 0,845 0,762 0,772 0,799 0,941 0,884 0,681 0,774 0,789 0,813 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Sig. 0,000 0,000 0,000 0,003
- 92 -
Por su parte, los modelos de medida y estructural de este Modelo 2corregido quedan se representan a travs de las siguientes ecuaciones:
eta1
0,515*xi3 0,450*eta1 0,141*xi1 0,147*xi2 1,000*xi1 0,916*xi1 1,000*xi3 1,098*xi3 0,966*xi3
eta2 = eta2 = eta2 = x1 x4 x13 x12 x11 = = = = =
x10 = x9 = y2 y1 y3 y4 x7 x8 = = = = = =
0,851*xi3 1,044*xi3 1,000*eta1 0,917*eta1 1,000*eta2 1,167*eta2 1,000*xi2 1,086*xi2
Asimismo, se adjuntan en las Tablas 23 a 26 los resultados de todos los ndices de ajuste global (resultados de las medidas absolutas de ajuste, medidas incrementales de ajuste y medidas de ajuste de parsimonia).
Tabla 23. Funcin de discrepancia. Resumen de los modelos. Modelo 2 corregido.

FMIN 0,518 0,000 8,249 LO 90 0,165 0,000 7,350 HI 90 0,431 0,000 8,543
Model Default model Saturated model Independence model
- 93 -
Tabla 24. Medidas de ajuste global del Modelo 2 corregido. Estimacin por Mxima Verosimilitud.
Default model 0,937 69,543 LO 90 HI 90 RMSEA LO 90 HI 90 SRMR PCLOSE 40,687 106,138 0,07 0,053 0,086 0,069 0,025 Saturated model 1,000 0,000 0,000 0,000 Independence model 1951,176 1808,052 2101,665 0,319 0,307 0,331 0,000
Medida de Ajuste GFI NCP
Tabla 25. Medidas incrementales de ajuste del Modelo 2 corregido. Estimacin por Mxima Verosimilitud.
Medida de Ajuste NFI RFI IFI TLI CFI AGFI Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 -
Default model 0,937 0,915 0,965 0,952 0,964 0,953
- 94 -
Tabla 26. Medidas de ajuste de parsimonia del Modelo 2 corregido. Estimacin por Mxima Verosimilitud.
Default model 0,697 0,697 219,543 225,095 149 166 Saturated model 0,000 208,000 220,552 Independence model 0,000 2081,176 2084,314 13 14
Medida de Ajuste PNFI PGFI AIC BCC HOELTER 0.5 index HOELTER 0.1 index
En definitiva, los resultados mostraron unos ndices de ajuste aceptables: (58, N=247)=127.543, p=.000; /df=2.19; GFI=0.937; CFI=.964; IFI=.965; TLI=.952; RMSEA=.07; SRMR=.069; AIC=219.543. Los pesos (coeficientes) de regresin estandarizados de los tems oscilaron entre .20 y .94, que fueron, todos ellos, estadsticamente significativos. Asimismo, las correlaciones entre los factores tambin lo fueron (p<.001), cuyos coeficientes oscilaron entre .36 (entre servicio de limpieza y recogida de residuos, y (entre y , factor del
, factor de los servicios sanitarios), .45 y ).
, que representa las infraestructuras viarias) y .53 (entre
Partiendo del objetivo o con el que naci este proyecto (estudiar la satisfaccin ciudadana con los servicios municipales mediante anlisis causal con ecuaciones estructurales), y llegados a este punto, ha quedado demostrado que la importancia de todos los elementos de un mismo servicio (tems del cuestionario de la encuesta de satisfaccin) no es la misma y, en consecuencia, la influencia que ejercen sobre el grado de satisfaccin de los ciudadanos y sus percepciones a cerca de los servicios municipales, tampoco lo es.
- 95 -
As, tal y como se puede apreciar a la vista del Grfico 9, se ha visto que en el caso particular de la Limpieza y Recogida de Residuos, los elementos que ejercen una mayor influencia en la valoracin de este servicio son: la frecuencia en la recogida de residuos y el funcionamiento de la recogida. Cuestiones como la recogida selectiva de residuos o el nmero de contenedores para la recogida selectiva juegan un papel secundario en la valoracin global del servicio de limpieza.
La misma situacin se repite en el caso de la sanidad y los servicios sanitarios en el municipio, donde los elementos realmente determinantes en la valoracin que los ciudadanos emiten de esta rea son los centros de salud y los mdicos de atencin primaria.
Siguiendo con la idea de depurar al mximo el modelo, en la configuracin de la satisfaccin global de los ciudadanos ( ) se elimin la variable y ; variable observada que representa la valoracin que los ciudadanos hace de la calidad de vida en el municipio. El hecho de eliminar esta variable del estudio de la satisfaccin tiene su explicacin en la teora de la desconfirmacin, que entiende que conceptos como satisfaccin y calidad son dos caras de la misma moneda. En otras palabras, aquel ciudadano que est satisfecho con los servicios municipales, valorar positivamente la calidad de vida en su municipio de residencia. Esta es la razn fundamental por la cual se ha eliminado esta ltima variable del modelo, pues entendemos que la presencia de la variable y (satisfaccin con los servicios prestados en el municipio) minimiza su contribucin.
Una vez que el sub-modelo de medida era el adecuado, el ltimo paso consista en determinar la influencia que las reas y servicios introducidos ejercan sobre la satisfaccin global de los ciudadanos; esto es, estimar el sub-modelo estructural.
- 96 -
El modelo de regresin para la satisfaccin global de los ciudadanos presenta un nivel de explicacin muy elevado, ya que =0.909 y en el que todas la variables
independientes resultan estadsticamente significativas (p<.01). De menor a mayor orden de influencia: ( ) valoracin de la Sanidad y los Servicios Sanitarios ( =0.20), ( ) la valoracin del servicio de Limpieza y Recogida de Residuos ( =0.25) y, por ltimo, ( ) la valoracin de la Gestin Municipal ( =0.78). Es decir, los coeficientes de regresin revelan que es esta ltima variable, , la que tiene mayor poder de prediccin del grado de satisfaccin global de los ciudadanos.
Y esto es as porque en ellos (los gestores y responsables municipales) recae la obligacin de facilitar la prestacin de los servicios bsicos y cuyas decisiones
condicionan la creacin y mantenimiento de las infraestructuras viarias e influyen en la prestacin de los servicios de limpieza y recogida de residuos.
- 97 -
7. Modification index (MI) con AMOS

AMOS ofrece la opcin Modification Indices en el proceso de estimacin de los SEM como mecanismo con el fin de mejorar la bondad de ajuste. Para la modificacin de los ndices es necesario modificar el modelo incorporando paths, que pueden ser tanto lneas de regresin como correlaciones; esto es, incluir nuevas relaciones que no haban sido contempladas con anterioridad. Esta opcin es una herramienta til que indica una posible reduccin en el valor del estadstico y en
todas las medidas de bondad de ajuste. Sin embargo, la decisin de introducir estas modificaciones en el modelo depende, principalmente, de las implicaciones tericas que trae consigo cada modificacin.
As pues, como paso ltimo de la modelizacin de la satisfaccin con ecuaciones estructurales se emple dicha opcin. Como resultado se observ que el modelo mejoraba sustancialmente si se introduca un coeficiente de regresin entre dos de los factores del modelo.
La modificacin supona incluir una regresin utilizando
(variable latente
exgena que representa la valoracin del servicio de Limpieza y Recogida de Residuos) para predecir (variable latente endgena que representa la valoracin de
la gestin municipal), lo cual condujo a que tanto el modelo de medida como el estructural resultasen ms favorables. De hecho se produjo una reduccin importante del valor del estadstico , pasando de (58, N=247)=127.543 a (57,
N=247)=99.602. A continuacin se representa este ltimo modelo (Modelo 3) en el Grfico 10, para cuya estimacin se ha utilizado mxima verosimilitud. Al igual que en los grficos de los modelos anteriores, las estimaciones de los parmetros estn estandarizadas.
- 98 -
Grfico 10. Modelo 3. Estimacin por Mxima Verosimilitud (estimaciones estandarizadas).
- 99 -
La introduccin del efecto directo de la valoracin del Servicio de Limpieza y Recogida de Residuos sobre la valoracin de la Gestin Municipal es ms que justificada, pues de todos los servicios que se introducen en el modelo, es el nico de competencia exclusivamente municipal, por lo que los ciudadanos identifican a la administracin local (y con ello, nos referimos tanto al gobierno municipal en general, como al alcalde en particular) como responsable de su funcionamiento; y por tanto, la valoracin que emiten sobre la frecuencia en la recogida de residuos y del funcionamiento del servicio de recogida es consecuencia de la gestin realizada.
A cerca de la bondad de ajuste, los resultados reflejaron los siguientes ndices: (57, N=247)=99.602, p=.000; /df=1.747; GFI=.950; CFI=.978; IFI=.978; TLI=.970; RMSEA=.055; SRMR=.041; AIC=193.602. Los pesos (coeficientes) de regresin estandarizados de los tems oscilaron entre .21 y .92, que resultaron, todos ellos, estadsticamente significativos. Las correlaciones entre los factores, todas ellas estadsticamente significativas (p<.001), oscilaron entre .36 (entre servicio de limpieza y recogida de residuos, y (entre y , factor del
, factor de los servicios sanitarios), .43 y ).
, que representa las infraestructuras viarias) y .52 (entre
Al igual que para los Modelos 1 y 2 se presenta tanto la tabla resumen del modelo como las tablas con las medidas de bondad de ajuste global (Tablas 27 a 32).
Tabla 27. Resumen del Modelo 3. Estimacin por Mxima Verosimilitud

Model Default model Saturated model Independence model NPAR 47 104,000 26 CMIN 99,602 0 2029,176 DF 57 0 78 0,000 26,015 P 0,000
CMIN/DF 1,747
- 100 -
Tabla 28. Funcin de discrepancia. Resumen de los modelos

Model Default model Saturated model Independence model FMIN 0,405 0,000 8,249 F0 0,173 0,000 7,932 LO 90 0,076 0,000 7,350 HI 90 0,302 0,000 8,543
Tabla 29. Medidas de ajuste global del Modelo 3

Default model 0,951 42,602 LO 90 HI 90 RMSEA LO 90 HI 90 SRMR PCLOSE 18,716 74,346 0,055 0,037 0,073 0,041 0,002 Saturated model 1,000 0,000 0,000 0,000 Independence model 1951,176 1808,052 2101,665 0,319 0,307 0,331 0,000
Medida de Ajuste GFI NCP
Tabla 30. Medidas incrementales de ajuste del Modelo 3

Default model 0,951 0,933 0,978 0,970 0,978 0,964 Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 0,000
Medida de Ajuste NFI RFI IFI TLI CFI AGFI
- 101 -
Tabla 32. Medidas de ajuste de parsimonia del Modelo 3

Default model 0,695 0,695 193,602 199,275 187 210 Saturated model 0,000 208 220,552 Independence model 0,000 2081,176 2084,314 13 14
Medida de Ajuste PNFI PGFI AIC BCC HOELTER 0.5 index HOELTER 0.1 index
Finalizando con la presentacin de los resultados, se adjuntan las Tablas 33 y 34, con las estimaciones de los parmetros por mxima verosimilitud y los
coeficientes de determinacin correspondientes.
Tabla 23. Estimaciones de Mxima Verosimilitud Modelo 3

Estimate eta1 eta1 eta2 eta2 eta2 x1 x4 x13 x12 x11 x10 x9 y2 y1 y3 y4 x7 x8 <--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--xi3 xi1 eta1 xi1 xi2 xi1 xi1 xi3 xi3 xi3 xi3 xi3 eta1 eta1 eta2 eta2 xi2 xi2 0,339 0,349 0,453 0,123 0,152 1,000 0,902 1,000 1,097 0,965 0,848 1,048 1,000 0,924 1,000 1,170 1,000 1,085 0,127 8,513 0,105 11,162 0,047 19,635 0,071 0,073 0,063 0,072 15,555 13,230 13,513 14,488 0,061 14,750 S.E. 0,070 0,065 0,045 0,037 0,050 C.R. 4,842 5,358 10,028 3,362 3,043 S. Estimate 0,331 0,363 0,745 0,211 0,196 0,907 0,916 0,826 0,845 0,763 0,77 0,803 0,938 0,888 0,696 0,789 0,789 0,813 0 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Sig. 0,000 0,000 0,000 0,000 0,002
- 102 -
Tabla 34.
Estimate eta1 eta2 x8 x7 y4 y3 y1 x1 0,344 0,915 0,66 0,623 0,623 0,485 0,788 0,822 y2 x9 x10 x11 x12 x13 x4
Estimate 0,879 0,644 0,594 0,582 0,714 0,682 0,84
Finalmente, se ha llegado a un modelo de ecuaciones estructurales ptimo, con el que no slo las medidas de bondad de ajuste son ms favorables (en comparacin con las correspondientes al Modelo 1 y 2), sino que tambin lo son los coeficientes de determinacin de muchas de variables observadas y,
fundamentalmente, de la variable latente que representa la valoracin de la gestin municipal; variable que, tal y como ya se ha explicado en el punto anterior, supone la mayor influencia en la prediccin de la satisfaccin global de los ciudadanos. En resumen, el Modelo 3 consigue mejorar tanto el sub-modelo de medida como el submodelo estructural.
- 103 -
Conclusiones y futuras lneas de investigacin

Este Proyecto de Investigacin tena un doble objetivo. En primer lugar presentar de una forma clara y sencilla los principios bsicos y conceptos ms relevantes en los modelos de ecuaciones estructurales (structural equation modellingSEM), y en segundo lugar, presentar un ejemplo emprico de este tipo de anlisis empleando para ello los datos reales de una encuesta de satisfaccin ciudadana con los servicios pblicos en el municipio.
En concreto, el aporte ms destacado del modelo al que finalmente se ha llegado consiste en la distincin entre los efectos de los distintos servicios sobre la satisfaccin global de los ciudadanos. Si bien, todas y cada uno de los servicios pblicos incluidos en el anlisis ejercen un efecto significativo y positivo sobre el grado de satisfaccin, el modo en que lo ejercen no es el igual; as como tampoco es igual la importancia que tienen diferentes cuestiones dentro de un mismo servicio en la valoracin global del mismo.
Desde esta perspectiva se ha construido un estudio de la satisfaccin ciudadana desde dos planos diferentes: un plano global y ms general en el que se estudian qu servicios incurren en el aumento de la satisfaccin y, un plano ms particular en el que dentro de cada servicio se analiza cules de sus elementos internos son los responsables de la valoracin que los ciudadanos hacen de dicho servicio. La aplicacin emprica de los 3 modelos de ecuaciones estructurales presentados en este proyecto as lo demuestra.
- 105 -
En definitiva, el modelo final (Modelo 3) podr ser utilizado como mecanismo a travs del cual mejorar la eficiencia de la propia administracin local, en el sentido que permite sealar tanto los servicios como los elementos internos de cada uno de ellos que tienen mayor incidencia en la satisfaccin e insatisfaccin ciudadana. Este mayor conocimiento sobre el efecto de los servicios y de sus elementos impulsores clave en las percepciones de los ciudadanos, ayudar a redisear la distribucin de los recursos de los que dispone la administracin local, reequilibrando la balanza de su gestin.
En resumen, los hallazgos a los que se han llegado en este trabajo pueden resumirse en: La importancia preponderante de la valoracin de la gestin municipal de los responsables polticos en el grado de satisfaccin. La influencia de la valoracin de servicios pblicos de titularidad municipal o que los ciudadanos identifican como responsabilidad de la administracin local. Hablamos, especialmente, del funcionamiento del servicio de limpieza y recogida de residuos y su frecuencia; as como servicios y prestaciones que garanticen la salud de los ciudadanos. La influencia indirecta del mantenimiento de las infraestructuras viarias en el grado de satisfaccin global.
En consecuencia, este Proyecto Fin de Mster es una buena prueba de que la aplicacin de modelos de ecuaciones estructurales para el estudio de la satisfaccin ciudadana no slo es oportuna, sino que adems supone una herramienta de gran utilidad; un grado de conveniencia que autores como Zanella ya haban sealado con anterioridad, destacando que los modelos SEM representan una de las herramientas estadsticas ms refinadas a nuestra disposicin para el estudio de los constructos conceptuales. Siguiendo palabras de Zanella, estos modelos permiten un estudio completo del constructo conceptual de la satisfaccin del consumidor" (Zanella, 2001).
- 106 -
Por su parte, el aprendizaje de la metodologa de los modelos de ecuaciones estructurales que desarrolla este Proyecto Fin de Mster es un importante punto de partida para la realizacin de una futura tesis doctoral. Ha servido, adems, para identificar las limitaciones propias del cuestionario de la encuesta de satisfaccin cuyos resultados han sido analizados.
El objetivo que inspira esta futura investigacin consiste en construir ndices de satisfaccin tanto para cada uno de los servicios pblicos indicados como un ndice de satisfaccin global; todos ellos calculados para cada uno de los ayuntamientos de la provincia de A Corua.
La clasificacin de los municipios en funcin de criterios poblacionales, permitir introducir mecanismos de comparacin entre las puntuaciones obtenidas por los ayuntamientos (con similares cargas poblacionales y caractersticas internas) para cada uno de los ndices construidos, perfilndose de este modo y a travs criterios de benchmarking, un mapa de satisfaccin de la provincia.
Nuevamente es har uso de encuestas de satisfaccin para conocer la opinin de los ciudadanos a cerca de la valoracin de los servicios, lo que cual implicar realizar el estudio demoscpico a una muestra de ayuntamientos pertenecientes a cada rango poblacional. Junto a ello, ser obligado realizar una bsqueda y generacin de nuevos tems con el fin obtener una muestra amplia de cuestiones que capturen todos los aspectos o dimensiones de los constructos que se determinen objeto de anlisis.
- 107 -
Bibliografa
Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103, 411-423. Andreassen, T.W. (1995). (Dis)satisfaction with public services: the case of public transportation. Journal of services marketing, Vol. 9, N 5, pp. 30-41. Arias, B. (2008). Desarrollo de un ejemplo de anlisis factorial confirmatorio con LISREL, AMOS y SAS. Seminario de actualizacin en Investigacin sobre Discapacidad SAID. Universidad de Valladolid Asociacin Espaola de Contabilidad y Administracin de Empresas (AECA, 1997). Indicadores de Gestin para la Entidades Pblicas. N. 16. Arbuckle, J. L. & Wothke, W. (1999). Amos 4.0 users guide. Chicago: SPSS/SmallWaters. Barret, P. (2006). Structural equation modeling: Adjudging model fit. Science Direct. Personality and Individual Differences, Vol 42, pp 815-824. Bollen, K.A. (1989). Structural equations with latent variables. New York: J. Wiley & Sons. Bollen, K.A. y Long, J.S. (1993). Testins structural equation models. Newbury Park, CA: Sage. Bollen, K.A. (2001). Two-Stage Least Squares and Latent Variable Models: Simultaneous Estimation and Robustness to Misspecifications. Ch 7, pp 199138 in R. Brown, T. A. (2006). Confirmatory Factor Analysis for Applied Research. New York: The Guilford Press. Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In Bollen, K. A., & Long, J. S. (Eds.), Testing structural equation models, pp 136162. Newbury Park, CA: Sage.
- 109 -
Cudeck, S. du Toit and D. Sorbom (eds) Structural Equation Modeling: Present and Future: A Festschrift in honor of Karl Joreskog, Scientific Software International: Lincolnwood. Gonzlez-Cutre Coll, D., Sicilia Camacho, A. y Moreno Murcua, J.A. (2008). Modelo cognitivo-social de la motivacin de logro en educacin fsica. Psicothema, Vol. 20, n4, pp 642-651. Hoyle, R. H. (Ed.) (1995). Structural equation modeling: Concepts, issues, and
applications. Thousand Oaks: Sage. Hoyle, R. H., & Panter, A. T. (1995). Writing about structural equation models. In R. H. Hoyle (Ed.), Structural equation modeling (pp. 158-176). Thousand Oaks, CA: Sage. Hu, L.-T.,& Bentler, P. M. (1995). Evaluating model fit. In R. H. Hoyle (Ed.), Structural equation modeling (pp. 76-99). Thousand Oaks, CA: Sage. Hu, L, -T., & Bentler, P.M. (1999). Cut-off criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6, 1-55. Jreskog, K.G.(1974). Analyzing psychological data by structural analysis of covariance matrices. In R.C. Atkinson, D.H. Krantz, R.D. Luce, & P. Suppes (eds.). Contemporary developments in mathematical psychology. S. Francisco (CA): Freeman. Jreskog, K.G.(1979a). Statistical stimation of structural models in longitudinaldevelopmental investigations. In J.R. Nesselroade & P.B. Baltes. Longitudinal research in the study of the behavior and development. New York: Academic Press. Jreskog, K.G.(1979b). A general approach to confirmatory maximum likelihood factor analysis with addendum. In K.G. Jreskog & D. Srbom. Advances in factor analysis and structural equation models. Cambridge (MA): Abt Books. Jreskog, K.G., Srbom, D., 1982. Recent developments in structural equation modeling. Journal of Marketing Research 19, 404416.
- 110 -
Klein, R. B. (1998). Principles and practice of structural equation modeling. New York: Guilford. Lozano, S. (2006). Validacin de un modelo de medida de la auto-eficacia en la toma de decisin de la carrera. Revista de Investigacin Educativa. Vol.24, 423-442. McDonald, R. P., & Ho, M.-H. R. (2002). Principles and practice in reporting structural equation analyses. Psychological Methods, 7, 64-82. Miller, T. I., Kobayashi, M. Miller. (2000c). Citizen surveys: How to do them, how to use them, what they mean. Washington, D.C.: International City/County. Management Association. Muthn, L. K., & Muthn, B. O. (1998-2001). Mplus users guide (2nd ed.). Los Angeles, CA: Muthn & Muthn. Olsson, U.H., Foss, T., Troye, S. V., & Roy D. Howell (2000). The Performance of ML, GLS and WLS Estimation in Structural Equation Modeling Under Conditions of Misspecification and Nonnormality. Structural Equation Modeling, 7 (4), 557595. Osborne, D. E. y Gaebler, T. (1992). Reinventing Government: How the entrepreneurial spirit is transforming the public sector. Addison-Wesley Pub. Co. Parasuraman, A.; Zeithaml, V. A. y berry, L.L. (1994a). Reassessment of expectations as a comparison standard in measuring service quality: implications for further research. Journal of Marketing. Vol. 58 (Enero): 11-124. Pea, D. Romo, J. (1997). Introduccin a la Estadstica para las Ciencias Sociales. McGraw Hill. Rodrguez Vargas, J. Carlos (2006). Validacin del modelo psicoeconmico del consumidor: anlisis con ecuaciones estructurales. Pensamiento y Gestin, n20, pp 1-54. Russell, D. W., Kahn, J. H., Spoth, R., & Altmaier, E. M. (1998). Analyzing data from experimental studies: A latent variable structural equation modeling approach. Journal of Counseling Psychology, 45, 18-29.
- 111 -
Ullman, J. B. (2001). Strctural equation modeling. En Tabachnick, B.G., & Fidell, L. S. (2001). Using Multivariate statistics (4 ed.): 653-771. Needham Heights, MA: Allyn & Bacon. Wright, S., 1921. Correlation and causation. Journal of Agricultural Research 20, 557 585. Wright, S., 1934. The method of path coefficients. Annals of Mathematical Statistics 5, 161215. Zanella, A. (2001). Measures and models of customer satisfaction: the underlying conceptual construct and comparison of different approaches. The 6th TQM World Congress, Saint Petersburg. Zeithaml, V.A. y Bitner, M.J. (2002). Marketing de servicios. Un enfoque de integracin del cliente a la empresa. Mc Graw Hill. 2 edicin. Mjico.
- 112 -
ANEXO
Resumen del Modelo 2 corregido. Comparativa con tres mtodos de estimacin. ML

NPAR 46 104 26 Chisquare 127,543 0,000 2029,176 DF 58 0 78 P 0,000 0,000 Chisquare/DF 2,199 26,015 NPAR 33 91 13 Chisquare 111,144 0,000 412,31
GLS
DF 58 0 78 P 0,000 0,000 Chisquare/DF 1,916 5,286 NPAR 33 91 13 Chisquare 104,385 0,000 507,724
ADF
DF 58 0 78 P 0,000 0,000 Chisquare/DF 1,800 6,509
Funcin de discrepancia del Modelo 2 corregido. Comparativa con tres mtodos de estimacin. ML
Modelo 1 Default model Saturated model Independence model FMIN 0,518 0,000 8,249 LO 90 0,165 0,000 7,350 HI 90 0,431 0,000 8,543 FMIN 0,452 0,000 1,676
GLS
LO 90 0,110 0,000 1,116 HI 90 0,353 0,000 1,633 FMIN 0,424 0,000 2,064
ADF
LO 90 0,088 0,000 1,472 HI 90 0,321 0,000 2,052
- 113 -
ANEXO
Medidas de ajuste global del Modelo 2 corregido. Comparativa con tres mtodos de estimacin.
ML
Medida de Ajuste GFI NCP LO 90 HI 90 RMSEA LO 90 HI 90 SRMR PCLOSE Default model 0,967 69,543 40,687 106,138 0,07 0,053 0,086 0,069 0,025 Saturated model 1,000 0,000 0,000 0,000 Independence model 1951,176 1808,052 2101,665 0,319 0,307 0,331 0,000 Default model 0,93 53,144 27,158 86,935 0,061 0,044 0,078 0,069 0,140
GLS
Saturated model 1,000 0,000 0,000 0,000 Independence model 0,742 334,310 274,464 401,674 0,132 0,120 0,145 0,000 Default model 0,907 46,385 21,667 78,941 0,057 0,039 0,74 0,0771 0,243
ADF
Saturated model 1,000 0,000 0,000 0,000 Independence model 0,549 429,724 362,207 504,734 0,150 0,137 0,162 0,000
- 114 -
ANEXO
Medidas incrementales de ajuste del Modelo 2 corregido. Comparativa con tres mtodos de estimacin. ML
Medida de Ajuste NFI RFI IFI TLI CFI AGFI Default model 0,937 0,915 0,965 0,952 0,964 0,953 Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 Default model 0,730 0,637 0,850 0,786 0,841 0,891
GLS
Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 0,699 Default model 0,794 0,724 0,897 0,855 0,892 0,855
ADF
Saturated model 1,000 1,000 1,000 Independence model 0,000 0,000 0,000 0,000 0,000 0,474
- 115 -
ANEXO
Medidas de ajuste de parsimonia del Modelo 2 corregido. Comparativa con tres mtodos de estimacin. ML
Medida de Ajuste PNFI PGFI AIC CAIC HOELTER 0.5 index HOELTER 0.1 index Default model 0,697 0,697 219,543 149 166 Saturated model 0,000 208,000 Independence model 0,000 2081,176 13 14 Default model 0,543 0,593 177,144 325,954 170 191
GLS
Saturated model 0,000 182,000 592,354 Independence model 0,000 0,636 438,310 496,932 60 66 Default model 0,591 0,578 170,385 319,194 181 203
ADF
Saturated model 0,000 182,000 592,354 Independence model 0,000 0,471 533,724 592,346 49 54
- 116 -

Ecuaciones Estructurales

Cargado por

Copyright:

Formatos disponibles

Ecuaciones Estructurales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ecuaciones Estructurales

Cargado por

Copyright:

Formatos disponibles

MSTER EN TCNICAS ESTADSTICAS FACULTAD DE MATEMTICAS

PROYECTO FIN DE MSTER

AUTORA: MARA NGELES GARCA VEIGA

Santiago de Compostela, Julio 2011

Santiago de Compostela, Julio de 2011.

Csar Andrs Snchez Sellero

Manuel Febrero Bande

I. La satisfaccin como instrumento de evaluacin de los servicios pblicos..5

Conclusiones y futuras lneas de investigacin104

Grfico 8...85 Grfico 9..88 Grfico 10.99

CAPTULO I La satisfaccin como instrumento de evaluacin de los servicios pblicos

evaluacin de niveles de satisfaccin (Parasuraman et al., 1994a); escalas

fundamentalmente se recogen a travs de la realizacin de encuestas de satisfaccin ciudadana.

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II Revisin metodolgica de los modelos de ecuaciones estructurales (SEM)

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

la existencia de correlacin entre dos variables no implica,

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

1. Elementos de un modelo de ecuaciones estructurales

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

Tipos de variables en los modelos de ecuaciones estructurales

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

Los diagramas estructurales. Path-diagrams

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

Figura 1. Convenciones path diagrams

Variable indicadora directamente observable

Variable latente o constructo

Asociacin mediante regresin Correlacin-covariacin Sin flecha Independencia condicional

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

constituye un modelo recursivo o no recursivo.

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

Figura 2. Path diagrams de un sub-modelo de medida y un sub-modelo estructural

Relaciones entre variables

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

Grfico 1. Relaciones entre variables. Formas de covariacin.

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

Grfico 2. Modelo de Ecuaciones Estructurales inicial.

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

. Puesto que nicamente se relacionan entre s

La variable latente , la variable latente ,,

. Las elipses6 asociadas a cada una de las variables observadas

representan los errores del modelo de medida.

Por su parte, las variables )y

(creada a partir de las variables observadas ,,

(creada a partir de las variables observadas

) son las nicas variables

aunque de forma indirecta a travs de , y

(ver Grfico 1),

recibe el efecto directo de

. De esta forma, entendemos

funcionan como variables dependientes y, por tanto, el error que

CAPTULO II. REVISIN METODOLGICA DE LOS MODELOS DE ECUACIONES ESTRUCTURALES

2. Construccin del modelo estructural