INTRODUCCIÓN AL PROGRAMA AMOS 5.0.

Transcripción

1 INTRODUCCIÓN AL PROGRAMA AMOS Entrar al programa 2.) También podemos tener una matriz de datos típica con los datos directos de los sujetos (en filas) a las variables (en columnas): El programa AMOS 5.0 permite la estimación y contraste de modelos estructurales mediante un sencillo y cómodo interface gráfico. Para entrar en AMOS se selecciona la opción Amos Graphics dentro del menú de AMOS 5. Actualmente AMOS constituye un componente integrado de SPSS 2. Formato del Fichero de datos Aunque AMOS permite importar distintos tipos de ficheros de datos, trabajaremos con ficheros con formato SPSS: 1.) El fichero de datos puede ser una matriz de correlaciones: Donde aparecen en primer lugar 2 variables de tipo CADENA (ROWTYPE_ y VARNAME_). ROWTYPE indica el tipo de dato que va a aparecer en esa fila: MEAN (media), STDDEV (desviación típica), N (número de sujetos en esa variable), CORR (correlaciones); VARNAME_ indica la variable a la que se va a referir el dato (sólo se especifica para N y para CORR). Cada columna siguiente indica también a qué variable pertenece cada dato. Por ejemplo, la correlación entre FLSPAN y MATR_STO es

2 3. Para generar un modelo estructural Seleccionamos en el menú FILE y luego NEW. Tendremos la siguiente pantalla: Seleccione el botón File name y elija el fichero de datos. Ahora debe trazarse el modelo. Existen distintos iconos para este objetivo. Lo mejor es empezar dibujando los factores latentes. Para ello se pulsa en el icono (Dibujo de variables latentes con sus indicadores respectivos), se mueve el puntero a la parte central y, pinchando con el botón izquierdo, se genera un círculo (el factor latente). Posteriormente, se pulsa tantas veces en el circulo como indicadores tenga la variable. Se repite el procedimiento para cada factor latente que aparezca en el modelo. En el ejemplo, tenemos 2 factores latentes con 3 indicadores. Debería quedar un diagrama como el siguiente (figura izquierda): En realidad, el mismo dibujo puede hacerse utilizando los siguientes iconos de la barra de herramientas: Para dibujar las variables observables Para dibujar los factores latentes Para dibujar el error de las variables observables. Para dibujar las relaciones unidireccionales entre las variables. Para completar el diagrama pinchamos en el icono (dibujar correlaciones) y dibujamos una correlación entre los 2 factores. Como el dibujo es muy pequeño en relación al recuadro se puede pulsar el En la parte central se debe dibujar el diagrama correspondiente al modelo que desee estimar. A la derecha aparecen una serie de iconos mediante los cuales se puede dibujar el modelo. Las funciones de la mayoría de estos iconos pueden ejecutarse también desde el menú superior. En primer lugar, debe definirse cuál es el fichero donde están los datos. Para ello se pulsa el icono (seleccionar fichero). Aparecerá la siguiente pantalla: icono (ajustar a la página) y obtendremos el siguiente resultado: Ahora decir qué indicador se corresponde con cada variable del fichero de datos. La manera más sencilla es seleccionar el icono (presentar las variables en la matriz de datos). Nos aparecera una pantalla como la siguiente: 3 4

3 Seleccionamos cada variable del recuadro y la arrastramos (pulsando el botón izquierdo del ratón) hacia el indicador correspondiente en el dibujo. Obtendremos los siguiente: Ahora tendremos que poner nombres a las variables latentes. Pulsamos sobre cualquiera de los circulos (2 veces) y obtendremos el siguiente recuadro: Podemos pinchar sobre cualquiera de los elementos dibujados (flechas, círculos, cuadrados,...) para cambiar sus propiedades. 4. Para estimar los parámetros del modelo estructural Antes de ejecutar el programa, podemos seleccionar el icono propiedades del análisis, y aparecerá lo siguiente:, para especificar las Podemos observar que el método de análisis seleccionado es el de máxima verosimilitud. Si hay datos perdidos la opción Estimate means and intercepts debe estar marcada. En Variable name ponemos el nombre de la variable (MCP). Variable Label indica la etiqueta con la que se presentará en el gráfico. Pulsando en la pestaña de Parameters podremos fijar los parámetros (la varianza, en este caso) de esa variable a un valor concreto. En nuestro caso, ya hemos fijado la métrica de MCP fijando su peso a FLSPAN a 1. Tras poner nombre a todas las variables latentes tendremos algo parecido a esta interesante figura: Otra pestaña importante de esta ventana es Output donde podemos especificar la información que queremos que aparezca en la salida. Es importante que este seleccionado Standardized estimates para que el programa nos proporcione el valor de los parámetros estandarizados. Y ya hemos terminado la especificación del modelo. Algunos otros iconos pueden resultar útiles para realizar/modificar el dibujo: Seleccionar un objeto del dibujo Seleccionar todos los objetos Deseleccionar todos los objetos Duplicar objetos Desplazar objetos Borrar objetos Cambiar forma objetos Realinear objetos Cambiar propiedades de objetos seleccionados simultáneamente Dicho esto, podemos ejecutar el programa pulsando el siguiente icono y rezar para qué nuestro modelo esté bien especificado así como identificado... Pero antes de seguir, se guarda el trabajo seleccionando en el menú FILE y luego SAVE AS. 5. Salida del programa: Para ver los resultados se pulsa el icono. Las primera parte de la salida es importante para saber si el programa se ha ejecutado correctamente (nos indican el tamaño de la muestra, el número de variables de cada tipo, el número de parámetros fijos y libres, la matriz de varianzas-covarianzas y la matriz de correlaciones observadas y el cálculo de los grados de libertad). 5 6

4 The model is recursive. Sample size = 134 Variable counts (Group number 1) Number of variables in your model: 14 Number of observed variables: 6 Number of unobserved variables: 8 Number of exogenous variables: 8 Number of endogenous variables: 6 Parameter summary (Group number 1) Weights Covariances Variances Means Intercepts Total Fixed Labeled Unlabeled Total Sample Moments (Group number 1) Sample Covariances (Group number 1) MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN Sample Correlations (Group number 1) MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN Models Default model (Default model) Computation of degrees of freedom (Default model) Number of distinct sample moments: 21 Number of distinct parameters to be estimated: 13 Degrees of freedom (21-13): 8 A continuación aparecen los parámetros no estandarizados y sus errores típicos de estimación que nos permiten ver si los parámetros son significativamente distintos de 0. También aparecen los mismos pesos para la solución estandarizada. Regression Weights: (Group number 1 - Default model) FLSPAN <--- MCP FDSPAN <--- MCP *** DOT_MEM <--- MCP *** RSPAN_ST <--- MT COMP_ST <--- MT *** MATR_STO <--- MT *** Standardized Regression Weights: (Group number 1 - Default model) Estimate FLSPAN <--- MCP.748 FDSPAN <--- MCP.737 DOT_MEM <--- MCP.396 RSPAN_ST <--- MT.370 COMP_ST <--- MT.690 MATR_STO <--- MT.698 Covariances: (Group number 1 - Default model) MCP <--> MT *** Correlations: (Group number 1 - Default model) Estimate MCP <--> MT.886 Variances: (Group number 1 - Default model) MCP *** MT efl *** efd *** edo *** ers *** eco *** ema *** 7 8

5 Finalmente aparece información sobre el ajuste del modelo (aquí hemos seleccionado aquellos tablas donde aparecen índices que hemos visto en clase). Model Fit Summary CMIN Model NPAR CMIN DF P CMIN/DF Default model Saturated model Independence model RMR, GFI Model RMR GFI AGFI PGFI Default model Saturated model Independence model Baseline Comparisons NFI RFI IFI TLI Model Delta1 rho1 Delta2 rho2 CFI Default model Saturated model Independence model Parsimony-Adjusted Measures Model PRATIO PNFI PCFI Default model Saturated model Independence model FMIN Model FMIN F0 LO 90 HI 90 Default model Saturated model Independence model RMSEA Model RMSEA LO 90 HI 90 PCLOSE Default model Independence model AIC Model AIC BCC BIC CAIC Default model Saturated model Independence model