Universidad Nacional Autónoma de México Facultad de Psicología

Transcripción

1 Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre Método I Análisis de las ecuaciones estructurales I Clave 517 Semestre 8 Créditos 8 Horas teoría 3 Horas práctica 2 Fecha de actualización Octubre 2009 Responsable de la actualización Corina Cuevas Renaud Materia con las que se relaciona. Matemáticas, Estadística, Medición y Metodología de la Investigación Introducción En cualquier campo del conocimiento la representación de realidades muy complejas, que implica el manejo simultáneo de muchas variables y mediciones, a las que se enfrentan profesionales e investigadores, y de manera muy particular en las Ciencias Sociales demanda que para la construcción de los modelos que se están proponiendo, el conocimiento de técnicas estadísticas más complejas como los métodos multivariados: análisis de regresión múltiple, análisis factorial, análisis en componentes principales, ANOVA, MANOVA y análisis de discriminante, entre otras. El análisis de ecuaciones estructurales (llamado en la literatura como SEM) es un análisis multivariado muy poderoso. El término SEM no se refiere a una sola técnica estadística sino a una familia de procedimientos relacionados. Las principales aplicaciones del SEM incluyen: 1) Análisis de senderos (path análisis) o coeficiente de sendero, que plantea hipótesis causales entre variables y pruebas de modelos causales mediante un sistema de ecuaciones lineales. Los modelos causales pueden incluir variables manifiestas, variables latentes o ambas. Este análisis es una forma de análisis de regresión estructurado, con respecto a variables estandarizadas (de media = 0 y varianza = 1), en un sistema cerrado.

2 2) Análisis confirmatorio, es una extensión del análisis factorial en donde la hipótesis con respecto a la estructura de las cargas del factor y sus intercorrelaciones son sometidas a prueba. 3) Análisis factorial de segundo orden, es una variación del análisis factorial en donde la matriz de correlación de los factores comunes es ella misma el factor a ser analizado para producir factores de segundo orden. 4) Modelos de regresión, una extensión del análisis de regresión lineal, en donde los coeficientes de regresión pueden ser restringidos a ser iguales a los otros, o a valores específicos. 5) Modelos de la estructura de la covarianza, en donde se hipotetiza que una matriz de covarianza tiene una estructura o forma particular. Por ejemplo se puede con este procedimiento probar la hipótesis que en un conjunto de variables todas tienen varianzas iguales. 6) Modelos de la estructura de la correlación en donde se hipotetiza que una matriz de correlación tiene una estructura / forma particular. Características del seminario 1. Es un análisis previo/ a priori y necesita que los usuarios/investigadores precisen en términos de modelos, sin embargo a priori no significa exclusivamente pensar en el análisis confirmatorio, muchas aplicaciones del SEM son una mezcla del análisis exploratorio y confirmatorio. 2. La representación explícita de la distinción entre variables observadas y latentes es característico de muchos modelos de ecuaciones estructurales. a) Sin embargo, no es necesario tener en los modelos variables latentes que representen constructos hipotéticos. b) Hay más de un tipo de variables latentes cada una de los cuales refleja diferentes segmentos con respecto a la relación entre variables observadas y no-observadas. c) Pueden las variables latentes en SEM representar un amplio rango de fenómenos, tales como características de personas o variables (ejemplo efectos de métodos)?

3 d) La distinción anterior también proporciona una forma de tomar en cuenta el puntaje imperfecto de la confiabilidad. 3. La estadística básica en el SEM es la covarianza, sin embargo es posible analizar otros tipos de datos, como las medias. a) El SEM incluye los análisis tradicionalmente asociados con el ANOVA incluyendo comparación de medias entre y dentro de los grupos (medidas repetidas). b) También es posible en SEM probar diferencias de la media de grupo sobre las variables latentes, algo que no es realmente factible llevar a cabo en el ANOVA. 4. El SEM no es sólo para datos no experimentales (correlaciónales) es también una herramienta analíticamente flexible que puede ser aplicada a datos provenientes de experimentos. 5. Muchos procedimientos estadísticos típicos o comunes, incluyen el análisis de varianza (ANOVA) y su contraparte multivadriada (MANOVA) que puede ser considerado/visto como casos especiales del SEM. Contenidos Unidad Tema Horas Teóricas Prácticas 1 Análisis de Regresión Lineal Múltiple Propósito Datos Desarrollo del modelo de regresión múltiple Análisis de residuos para probar los supuestos de: 1) aleatoriedad 2) Homogeneidad de varianzas 3) Colinealiedad Evaluación de la ecuación de regresión Uso del diagrama de dispersión Matriz de correlación Prueba global para probar si es válido el modelo de regresión múltiple Evaluación de los coeficientes de regresión individuales

4 Variables independientes cualitativas Modelo de regresión curvilínea BIBLIOGRAFÍA BÁSICA: Mc Call, R. (2001). Fundamental Statistics for Behavioral Sciences. Eighth edition, Wadsworth, USA. Montgomery, D., Peck, E., and Vining, G. (2001). Introduction to Linear Regression Analysis. Third Edition, Wiley Series in Probability and Statistics. USA. Stevens, J. (1992). Applied Multivariate Statiscs for the Social Sciences. Second Edition. Lawrence Erlbaum Associates, Publishers, USA. Tabachnick, B., and Fidell, L. (2000). Using Multivariate Statistics. Fourth Edition. Allyn and Bacon, USA: BIBLIOGRAFÍA COMPLEMENTARIA: Hair, J., Anderson, R., Tatham, R., y Black, W. (2000). Análisis Multivariante. Prentice Hall, España. Unidad Tema Horas Teóricas Prácticas 2 Análisis en Componentes Principales Análisis Factorial Introducción al análisis de Ecuaciones Estructurales (análisis de senderos) 5 5 Contenido Temático Unidad Subtemas 2 Propósito Datos y diseño Supuestos Significado de las componentes principales 3 Propósito Datos y diseño Supuestos Estimación de factores y validación del ajuste general

5 Interpretación de los factores Validación del Análisis Factorial Análisis Factorial Confirmatorio 3 Propósito Datos y diseño Supuestos Lo esencial de un análisis de senderos Análisis de Senderos Sistema de ecuaciones estructurales Interpretación Validación BIBLIOGRAFÍA BÁSICA: Kline, R. (2005). Structural Equation Modeling. Second Edition, Guilford, Press, USA. Stevens, J. (1992). Applied Multivariate Statiscs for the Social Sciences. Second Edition. Lawrence Erlbaum Associates, Publishers, USA. Schumacker, R., and Lomax, R. (1996). A Beginner's Guide to Structural Equation Modeling. Lawrence Erlbaum Associates, Publishers, USA. Tabachnick, B., and Fidell, L. (2000). Using Multivariate Statistics. Fourth Edition. Allyn and Bacon, USA. EN LÍNEA BIBLIOGRAFÍA COMPLEMENTARIA Benzècri, J.P. (1992). Correspondence Analysis. Handbook, New York: Dekker. Krzanowski, W.J. (1988). Principles Multivariate nalysis. Oxford University, United Kindon. Sik-Yum, L. (2007). Structural Equation Modeling. A bayesian Approach. Wiley, UA.

6 Métodos de Enseñanza-Aprendizaje y Criterios de evaluación sugeridos Sugerencias didácticas: Exposición oral Exposición audiovisual Ejercicios dentro de clase Ejercicios fuera del aula Seminarios ( ) Lecturas obligatorias Trabajo de investigación ( ) Prácticas de taller o laboratorio Prácticas de campo ( ) Otras: Trabajar con los paquetes estadísticos SPSS, EQS y LISREL. Mecanismos de evaluación del aprendizaje de los alumnos: Exámenes parciales ( ) Examen final escrito Trabajos y tareas fuera del aula Exposición de seminarios por los alumnos ( ) Participación en clase Asistencia Seminario ( ) Otras: Exposición de los resultados para en análisis de Senderos y de Correspondencias con datos sobre algún tópico de evaluación educativa.