ANÁLISIS DE SENDEROS

UdeChile Ayudantía Estadística IV – Semana 12 de Junio de 2017

Juan Carrasco – Francisca Torres

1
FASES DEL ANÁLISIS DE SENDEROS (SEGÚN KLINE,
2005)

Especificación Estimación del

Identificación
del modelo modelo

Evaluacion del Interpretacion de

Reespecificación
ajuste resultados

2
CONDICIONES DE APLICACIÓN Y
SUPUESTOS
 Tamaño muestral grande
 Entre 10 y 20 casos por parámetro
 Idealmente al menos 200 casos
 Relaciones lineales entre las variables
 Identificación del modelo
 Variables continuas
 Normalidad multivariante
 Evaluación de casos perdidos
 Inexistencia de multicolinealidad

3
CONCEPTOS CLAVES

 Es una extensión de modelos de regresión lineal  relación lineal entre las

variables
 Sistema de ecuaciones permiten evaluar
 Relaciones entre una o mas VI sobre una o mas VD
 Efectos directos de una VI sobre una VD
 Efectos indirectos de una VI sobre una VD
 Uso de diagrama
 Rectángulos son variables observadas
 Flechas representan la relación entre variables
 Se les llama a veces modelos causales pero solo la teoría puede asegurar
causalidad  reflexión sobre causalidad

4
FUENTE DE DATOS

 Trabajo de campo para generar un modelo de identidad social movilizada

 País: Chile
 Tamaño muestral: 500 hombres y mujeres mayores a 18 años

5
VARIABLES “MODELO DE IDENTIDAD SOCIAL MOVILIZADA”

 El MISM tiene su origen en la Teoría de la Identidad Social (Tajfel, 1984), que

sostiene la relevancia que tiene para el sujeto y sus relaciones interpersonales
aquella parte de su autoconcepto que se deriva de su pertenencia a determinados
grupos sociales.

Nivel de identificación con Participación en acciones

el grupo social colectivas

6
VARIABLES «MODELO DE IDENTIDAD SOCIAL MOVILIZADA

 Si bien en un comienzo se consideró que el solo hecho de poseer una alta

identidad social implicaba muy probablemente la aparición de conductas
colectivas de favoritismo endogrupal y discriminación hacia el exogrupo, se ha
comprobado que ello no necesariamente ocurrirá, ni operará igual en todos los
tipos de identidades sociales (Scandroglio, López y San José, 2008). Como señala
Williams (1984), pueden existir identidades intensas pero pasivas, o como han
constatado en nuestro contexto Asún y Zúñiga (2013) y Zúñiga y Asún (2003,
2010), distintas identidades pueden tener relaciones inclusivas entre sí, y esta
relación parte-todo puede moderar cualquier animosidad intergrupal.

7
 VARIABLES «MODELO DE IDENTIDAD SOCIAL MOVILIZADA

 La alta saliencia de una identidad social no permite predecir por sí sola la aparición
de conductas colectivas, llevó al MISM a evolucionar hacia la identificación de los
elementos que deben acompañar a una fuerte identidad social para dar pie a la
protesta social.
i) que los miembros del grupo lo definan como carenciado en
algún aspecto crucial;
ii) que se construya y legitime en el grupo una explicación de
esa carencia basada en una situación de injusta desventaja en
relación a un determinado exogrupo;
iii) que exista un contexto (situación general, líderes
adecuados, población comprometida) que permita creer que
es posible cambiar la situación del endogrupo;
iv) que sea muy difícil abandonar el endogrupo y afiliarse al
exogrupo

8
 VARIABLES «MODELO DE IDENTIDAD SOCIAL MOVILIZADA

 Sabucedo, Durán y Alzate

(2010), denominan “politizadas”
a aquellas identidades que
poseen estas propiedades. Pero
para efectos de la tarea solo
revisaremos uno de los caminos
en el modelo

9
MEDICIÓN DE LAS VARIABLES

 En la sintaxis veremos que cada variable en el modelo es una índice creado a partir
de las variables en la base de datos.
 A pesar de esto, se asumen estas variables como observadas para realizar el
análisis de senderos.
 Al ser índices pueden tener valores 1 a 5, excepto por la participación en acciones
colectivas la cual va de 1 a 3.

10
MODELO 1

11
IDENTIFICACIÓN DEL MODELO

Problema de la identificación
¿Es posible encontrar soluciones numéricas para todos los
parámetros estructurales?
La identificación del modelo permite verificar si existe
información suficiente para que cada parámetro (θ)
pueda ser calculado a partir de la matriz de covarianzas
poblacional (Σ) o muestral (S).

12
IDENTIFICACIÓN DEL MODELO

Existen 3 soluciones posibles:

1. Modelo exactamente identificado: Se podrá estimar cada parámetro
estructural a partir de una única combinación de los elementos de la matriz, por
lo que tendrán una solución única.
2. Modelo sobre-identificado: Estando todos los parámetros identificados, al
menos un parámetro podrá obtenerse a partir de dos o más ecuaciones
diferentes.
3. Modelo infra-identificado: No será posible establecer ecuaciones de
covarianza para alguno de los parámetros, por lo que no todos podrán ser
estimados.
¿Cómo evaluamos la identificación del modelo?

13
CONDICIONES NECESARIAS PERO NO SUFICIENTES PARA LA IDENTIFICACIÓN

Regla t (Bollen, 1989) Grados de libertad

El número de parámetros a estimar ha de Los grados de libertad deben tener un

ser igual o inferior al número de momentos valor igual o superior a 0 para posibilitar
no redundantes de la matriz Σ. la identificación del modelo.
𝑝(𝑝+1)
(1) 𝑚=
𝑝(𝑝 + 1) 2
𝑡≤ (2) 𝐺𝐿 = 𝑚 − 𝑡
2
(3) 𝐺𝐿 ≥ 0
𝑡 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑙𝑖𝑏𝑟𝑒𝑠
𝑝 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑏𝑙𝑒𝑠 𝑚 = 𝑚𝑜𝑚𝑒𝑛𝑡𝑜𝑠 𝑛𝑜 𝑟𝑒𝑑𝑢𝑛𝑑𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧
𝐺𝐿 = 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑

14
VALORES DE REFERENCIA PARA UN AJUSTE ACEPTABLE

15
ESPECIFICACIÓN DEL MODELO

 Al igual que en Análisis Factorial Confirmatorio, especificaremos el modelo y

luego lo correremos
 Para indicar relaciones entre variables usamos el símbolo ~ para conectar
variables dependientes e independientes
 Por ejemplo, el siguiente modelo especifica que injusticia predice participación y
que NSE predice injusticia:
modelo1 <- ' participacion ~ injusticia
NSE Injusticia Participación
injusticia ~ NSE‘

 Luego corremos el modelo utilizando la sintaxis:

path1 <- sem(modelo1, data=datos)
summary(result1, fit.measures = T, standardized = T, rsquare = T, modindices = TRUE)

*ml por defecto

16
 IDENTIFICACIÓN, ESTIMACIÓN Y
EVALUACIÓN

 Igual que en modelos de Análisis Factorial Confirmatorio

 Prueba Chi cuadrado: Evalúa si existen discrepancias
significativas entre la matriz de covarianza observada y la que
es estimada por el modelo. p > 0,05 implica un buen ajuste a
un 95% de confianza. Criterio para muestras grandes: Chi-
cuadrado/grados de libertad < 2
 RMSEA: Valores menores a 0,05 indican un buen ajuste.
Valores entre 0,05 y 0,08 indican un ajuste razonable. Valores
sobre 0,10 indican un mal ajuste.
 CFI: Obtiene valores entre 0 y 1. Mientras más cercano a 1,
mejor es el ajuste. En general, se dice que un modelo tiene un
ajuste razonable si el CFI es mayor a 0,90 y que tiene un
ajuste bueno si es mayor a 0,95.
 OJO: Modelos saturados (que incluyen todas las relaciones
posibles) tendrán por definición un ajuste perfecto pero no
proveen un modelo parsimonioso

17
 INTERPRETACIÓN DE RESULTADOS

 Observando el coeficiente no estandarizado

(“Estimate”) vemos que por cada un punto que
aumenta IR, aumenta en 0,391 los puntos en DES.
 Observando el coeficiente estandarizado (Std.all),
vemos que por cada desviación estándar que
aumenta IR, DES aumenta en 0,348 desviaciones
estándar
 Este efecto es significativo al 95% de confianza
(p<0,05)
 Por cada un punto que aumenta DES, aumenta en  Por cada un punto que aumenta ILE, aumenta en
0,837 los puntos en ILE. 0,020 los puntos en PAR.
 Por cada desviación estándar que aumenta DES,  Por cada desviación estándar que aumenta ILE,
ILE aumenta en 0,728 desviaciones estándar PAR aumenta en 0,042 desviaciones estándar
 Este efecto es significativo al 95% de confianza  Este efecto NO es significativo al 95% de confianza
(p<0,05) (p<0,05)
18
INTERPRETACIÓN DE RESULTADOS

 R-cuadrado:
 IR explica el 12,1 % de la varianza en DES
(R2=0,121)
 DES explica el 53% de la varianza en ILE
(R2=0,530)
 ILE explica el 0,2% de la varianza en PAR
(R2=0,002)
 Defined Parameters:
 Efecto indirecto ab es de 0,253 estandarizado, significativo al
95%
 Efecto indirecto bc es de 0,031 estandarizado, no significativo al
95%
 Efecto indirecto abc es de 0,011 estandarizado, no significativo
al 95%
19
INTERPRETACIÓN DE RESULTADOS

Gráfico 1. Ajuste del modelo: χ2(1)=5.918, p=0,116; χ2/g.l.=5.918; CFI=0,992; RMSEA=0,047

 En el diagrama podemos ver tres efectos directos:

 IR tiene un efecto directo sobre DES
 DES tiene un efecto directo sobre ILE
 ILE tiene un efecto directo sobre PAR
 Dado que solo 2 efectos son significativos, no podemos suponer que hay un efecto indirecto de
IR sobre PAR
 Efecto indirecto: multiplicación de ambos efectos directos.
 En este caso: 0,35*0,73*0,004=0,001022
 Sin embargo, queremos saber si existe este efecto de IR sobre PAR
20
RE-ESPECIFICACIÓN

 En la teoría nos hace sentido buscar el

efecto directo de IR sobre PAR.
 A la vez los índices de modificación
con valores mas altos sugieren
agregar un efecto entre estas
variables.
 Se creará un segundo modelo con el
efecto de IR sobre PA:
modelo2<-’DES ~ a*IR
ILE ~ b*DES
PAR ~ c*ILE + d*IR
total.par:=d+(a*b*c)'

21
MODELO 2

22
ESTIMACIÓN, EVALUACIÓN E
INTERPRETACIÓN

23
INTERPRETACIÓN

Ayudantía CFA 2017 - Francisca Torres & Martín Pérez 24