Tema 5. Introducción a los modelos de ecuaciones estructurales o modelos causales

Tema 5. Introducción a los modelos de ecuaciones

estructurales o modelos causales

5.1 Introducción a los modelos de ecuaciones el planteamiento

LISREL.

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

5.2.3. Especificación de las ecuaciones estructurales.

5.2.4. Estimación de parámetros utilizando la regla del

trazado: condición de identificación.

5.2.4.1. Tipos de efectos.

5.2.4.2. Descomposición de correlaciones: la regla del

trazado.

5.2.4.3. Estimación de los parámetros: ejemplos

5.2.5. Ajuste del modelo a la realidad.

5.1 Introducción a los modelos de ecuaciones

estructurales: el planteamiento LISREL.

Generalización del modelo de regresión lineal para atender, desde

un punto de vista estadístico, cualquier hipótesis sustantiva

Ejemplos:

1) Un investigador quiere probar la siguiente hipótesis:

Los resultados académicos en la Universidad dependen de los

resultados en el bachillerato y éstos de los resultados en primaria.

2) Un investigador mantiene la hipótesis de que el estrés laboral

depende de la responsabilidad del puesto de trabajo y la

responsabilidad depende, a su vez, de la estructura de la empresa y

de las expectativas de éxito del trabajador.

Hipótesis 1

Rendimientos en primaria Rendimientos en la Universidad o Rendimientos en Bachillerat

Hipótesis 2

Estructura del servicio

Expectativas de éxito

Responsabilidad

5.1 Introducción a los modelos de ecuaciones estructurales:

el planteamiento LISREL.

Tipos de variables en los modelos estructurales

Variable latente.Ej. Inteligencia

Variable observada (variable manifiesta)

5.1 Introducción a los modelos de ecuaciones estructurales:

el planteamiento LISREL.

Naturaleza de las relaciones

Relación estadística que no es de naturaleza causal entre dos variables del mismo nivel de observabilidad. Ej. Relación entre depresión y ansiedad

Relación de dependencia unidireccional, recursiva o directa entre dos variables. En algunos casos estaría justificada la interpretación causal.

Modelos

estructurales

Modelos estructurales con variables observadas Modelos estructurales con variables latentes Modelos con relaciones bidireccionales o no recursivos Modelos con relaciones unidireccionales, recursivos o modelos “PATH” Modelos con relaciones bidireccionales o no recursivos Modelos con relaciones unidireccionales o recursivos

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

El diagrama causal es el primer nivel de formalización de la hipótesis

formulada por el investigador. Es un gráfico en el que se representan

a las variables incluidas en la hipótesis, las relaciones entre ellas y

los parámetros del modelo.

Tanto para elaborar el diagrama causal como para escribir las

ecuaciones estructurales seguiremos la normativa del programa

LISREL (LInear RELationships)

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

Representación de variables:

se distingue entre variables exógenas y variables endógenas.

Son variables exógenas las que no vienen determinadas por ninguna

otra variable en el modelo. Las variables exógenas entre ellas sólo

pueden covariar. Se representan por la letra “X” con subíndices

numéricos y dentro de un cuadrado.

Las variables endógenas son variables determinadas por otras

variables exógenas o endógenas. Se las representa por la letra “Y” con

subíndices numéricos y también se incluyen en un cuadrado.

Hipótesis 1

Rendimientos en primaria: X₁ Rendimientos en Bachillerato: Y₁ Rendimientos en la Universidad: Y₂ X_{1 Y} 1 Y₂

Hipótesis 2

Estructura del servicio: X₁

X₁ Estrés: Y₂ Responsabilidad: Y₁ Y₁ Y₂ Expectativas de éxito: X₂ X₂

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

Representación de relaciones:

las variables se unirán por flechas que indiquen dependencia

(causa-efecto) o covariación. En el primer caso se dibuja una flecha que parte

de la “causa” y termina en el “efecto”.

En el segundo caso se utiliza una línea curva con dos puntas de flecha.

Hipótesis 2

Hipótesis 1

X₁ Y₁ Y₂ X₂ X₁ Y₁ Y₂

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

Representación de parámetros:

Los parámetros miden la magnitud de la relación entre las

variables representadas en el diagrama. Se representan por letras griegas

que se colocan sobre las flechas. Siguiendo las siguientes reglas:

Si el parámetro se refiere a la relación entre una variable exógena

y una endógena se representa por la letra griega “

γ

_ij

”, donde

i

hace

referencia al subíndice numérico de la variable endógena (efecto) de la

relación y

j

hace referencia al subíndice numérico de la variable “causa”.

Si el parámetro se refiere a la relación directa entre dos variables

endógenas se representa por la letra griega “

β

_ij

”, donde

i

hace referencia

al subíndice numérico de la variable endógena (efecto) de la relación y

Hipótesis 1

X₁ Y₁ Y₂

γ

₁₁

_β

21

Hipótesis 2

X₂ X₁ Y₁ Y₂

γ

₁₁

γ

₁₂

β

₂₁

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

Representación de errores:

Al igual que en los modelos de regresión las variables no se explican

totalmente.

Se incluirán en el diagrama causal tantas variables de error como variables

endógenas tengamos. Los errores se representan por la letra griega

“acompañada del mismo subíndice numérico que la variable endógena

correspondiente y unida a la variable endógena con una flecha que indica

el efecto del error.

Hipótesis 1

X₁ Y₁ Y₂

γ

₁₁

_β

21

Hipótesis 2

ζ

₁

_ζ

2 X₂ X₁ Y₁ Y₂

γ

₁₁

γ

₁₂

β

₂₁

ζ

₁

ζ

₂

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

Hipótesis 3:

Dibujar el diagrama causal de la siguiente hipótesis:

La cantidad de aprendizaje que se adquiere en la universidad

depende de la calidad y cantidad de la información que

reciben los alumnos y alumnas, de los conocimientos

previos y de sus aptitudes.

A su vez, la cantidad y calidad de la información depende

de la estructura de los contenidos y de los recursos

didácticos utilizados, variables entre las que se dan

relaciones de covariación.

5.2. Fases en la elaboración de un modelo.

5.2.1. El diagrama causal.

Ejercicio:

Variables en el modelo:

Variables exógenas:

Conocimientos previos: X

₁

Aptitudes: X

₂

Estructura de los contenidos: X

₃

Recursos didácticos: X

₄

Variables endógenas:

Calidad de la información: Y

₁

Cantidad de información: Y

₂

Cantidad de aprendizaje: Y

₃

5.2.1. El diagrama causal.

X

₁

X

₂

X

₃

X

₄

Y

₂

Y

₁

Y

₃

γ

₃₁

γ

₃₂

γ

₁₃

γ

₁₄

γ

₂₃

γ

₂₄

β

₃₁

β

₃₂

ζ

₃

ζ

₁

φ

₃₄

ζ

₂

5.2.3. Especificación de las ecuaciones estructurales.

A cada una de las variables endógenas de un diagrama causal

le corresponde una ecuación estructural que expresa dicha variable

como una función lineal sus variables explicativas y del término de error.

El modelo de ecuaciones estructurales es el conjunto de las ecuaciones

correspondientes a las variables endógenas.

Hipótesis 1

X₁ Y₁ Y₂

γ

₁₁

_β

5.2.3. Especificación de las ecuaciones estructurales.

Hipótesis 1

X₁ Y₁ Y₂

γ

₁₁

_β

21

ζ

₁

_ζ

2 Y Y Y X Y Y Y X Y X Y Y 1 1 2 11 1 1 2 21 1 2 1 2 1 11 1 1 2 21 1 2 0 0 0 0 = + + + = + + + = + = +

γ

ς

β

ς

γ

ς

β

ς

_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _

5.2.3. Especificación de las ecuaciones estructurales.

Hipótesis 2

X₂ X₁ Y₁ Y₂

γ

₁₁

γ

₁₂

β

₂₁ Y X X Y Y Y Y Y X X Y Y Y X X 1 11 1 12 2 1 2 21 1 2 1 1 2 11 1 12 2 1 2 21 1 2 1 2 2 0 0 0 0 0 = + + = + − − − − − − − − − − − − − − − − − − − − − − = + + + + = + + + + γ γ ς β ς γ γ ς β ς

ζ

₁

ζ

₂

X

₁

X

₂

X

₃

X

₄

Y

₂

Y

₁

Y

₃

γ

₃₁

γ

₃₂

γ

₁₃

γ

₁₄

γ

₂₃

γ

₂₄

β

₃₁

β

₃₂

ζ

₃

ζ

₁

φ

₃₄

ζ

₂

Y

X

X

Y

X

X

Y

X

X

Y

Y

Y

Y

Y

Y

X

X

X

X

Y

Y

Y

Y

X

X

X

X

Y

1

13

3

14

4

1

2

23

3

24

4

2

3

31 1

32

2

31 1

32 2

3

1

1

2

3

1

2

13

3

14

4

1

2

1

2

3

1

2

23

3

24

4

2

0

0

0

0

0

0

0

0

0

0

=

+

+

=

+

+

=

+

+

+

+

− − − − − − − − − − − − − − − − − − − − − − − − − −

= + + +

+

+

+

+

= + + +

+

+

+

+

γ

γ

ς

γ

γ

ς

γ

γ

β

β

ς

γ

γ

ς

γ

γ

ς

3

=

β

31 1

Y

+

β

32 2

Y

+ +

0

Y

3

γ

31 1

X

+

γ

32

X

2

+

0

X

3

+

0

X

4

+

ς

3

5.2.3. Especificación de las ecuaciones estructurales.

Expresión matricial de las ecuaciones estructurales

Para expresar matricialmente un modelo estructural

expresamos las variables endógenas en función de todas las

variables del modelo.

5.2.3. Especificación de las ecuaciones estructurales.

Hipótesis 1

X₁ Y₁ Y₂

γ

₁₁

_β

21

ζ

₁

_ζ

2

( )

Y Y Y X Y Y Y X Y Y Y Y X 1 1 2 11 1 1 2 21 1 2 1 2 1 2 21 1 2 11 1 1 2 0 0 0 0 0 0 0 0 = + + + = + + + ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ ⎠ ⎟

γ

ς

β

ς

β

γ

ς

ς

5.2.3. Especificación de las ecuaciones estructurales.

Hipótesis 2

X₂ X₁ Y₁ Y₂

γ

₁₁

γ

₁₂

β

₂₁ Y Y Y X X Y Y Y X X Y Y Y Y X X 1 1 2 11 1 12 2 1 2 21 1 2 1 2 2 1 2 21 1 2 11 12 1 2 1 2 0 0 0 0 0 0 0 0 0 0 = + + + + = + + + + ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ ⎠ ⎟

γ

γ

ς

β

ς

β

γ

γ

ς

ς

ζ

₂

ζ

₁

5.2.3. Especificación de las ecuaciones estructurales.

Expresión matricial de las ecuaciones estructurales

Expresión matricial general de los modelos estructurales:

y

= Β

y

+ Γ

x

+

ζ

y

_(p×1)

: vector de endógenas

x

_(q×1)

: vector de exógenas

Β

_(p×p)

: matriz de coeficientes beta

Γ

_(p×q)

: matriz de coeficientes gamma

5.2.3. Especificación de las ecuaciones estructurales. Expresión matricial de

las ecuaciones estructurales

Además de las matrices anteriores se suelen incorporar otra dos:

la matriz de varianzas-covarianzas entre las variables exógenas:

Φ

_(q×q)

y la matriz de varianzas-covarianzas entre los términos

de error: Ψ

_(p×p

.

Así, las matrices relevantes de los modelos

anteriores son:

( )

β

= ⎛

_β

γ

γ

φ

φ

ψ

ψ

_ψ

⎝ ⎜ ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ = = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ 0 0 0 0 0 0 21 11 11 11 22

β

= ⎛

_β

γ

γ

_γ

φ

_φ

φ

_φ

ψ

ψ

_ψ

⎝ ⎜ ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ = ⎛ ⎝ ⎜ ⎞ ⎠ ⎟ 0 0 0 0 0 21 11 12 11 21 22 11 22

5.2.4. Estimación de parámetros: condición de identificación.

5.2.4.1. Tipos de relaciones: la regla del trazado.

El objetivo de la estimación de parámetros es obtener los valores de los efectos directos (parámetros gamma y beta) incluidos en el modelo.

Para ello en primer lugar hay que analizar si es posible calcular dichos parámetros con la información disponible (condición de identificación).

En el caso que nos ocupa-modelos recursivos con variables observadas- siempre es posible estimar los parámetros dado que el número de ellos es igual o menor que el número de correlaciones entre las variables incluidas en el modelo.

Es decir si definimos grados de libertad de un modelo estructural como:

(

)

gl = k k( − 1) − n + n + n

2 φ γ β

donde:

k es el número de variables en el modelo.

n

_Φes el número de parámetros _Φ a estimar

n_γ es el número de paramétros γ a estimar y

Podemos encontrarnos con dos situaciones:

gl = 0 Modelo saturado o exactamente identificado. Se puede estimar pero no se puede verificar su ajuste a los datos empíricos. Las correlaciones observadas (r_ij) y las reproducidas (r*_ij) o

ajustadas por el modelo son iguales.

gl > 0 Modelo sobreidentificado. Se puede estimar y verificar su

ajuste a los datos. Hay correlaciones reproducidas que pueden ser distintas a las observadas. De los distintos modelos

sobreidentificados que se puedan formular es mejor el que mejor ajuste las correlaciones observadas.

Unos de los procedimientos para obtener los parámetros consiste en descomponer las correlaciones entre las variables incluidas en el modelo en suma de efectos generando así, un sistema de ecuaciones de cuya resolución se deriven los valores de los parámetros.

Los efectos en los que se pueden descomponen las correlaciones son efecto directo, indirectos, conjuntos y/o espúreos y la regla que vamos a utilizar para obtener dichas descomposición se denomina regla de trazado. Las correlaciones obtenidas mediante la regla del trazado y a partir de los valores de los parámetros las denominamos reproducidas aunque sólo aquellas en cuya descomposición no hay efectos directos las denotaremos por r*_ij . Las correlaciones en cuya descomposición aparezca un efecto directo las denotamos por r_ij porque coinciden con las correlaciones observadas.

a) efecto directo (ED): el que se da entre las dos variables que se encuentran en el inicio y fin de una determinada flecha. Su valor corresponde al valor del parámetro correspondiente.

En la hipótesis I son efectos directos los siguientes:

5.2.4.1. Tipos de Efectos:

Los cuatro tipos de efectos básicos en los que se pueden descomponer las correlaciones son:

X₁ Y₁

Y₂

γ

₁₁

β

₂₁

Y₁

b) efecto indirecto (EI): existe un efecto indirecto cuando una variable afecta a otra a través de una o más variables intermedias. En la Hipótesis 1 existe un efecto indirecto entre las variables X₁ e Y₂ cuyo diagrama básico es:

El valor del efecto indirecto es:

γ

₁₁

_x

β

₂₁

EI =

X₁ Y₁ Y₂

γ

₁₁

_β

c) efecto espúreo (EE): existe un efecto indirecto entre dos variables cuando están afectadas por una causa común. El diagrama básico de un efecto

espúreo es:

γ

₁₁

γ

21

Y

₁

_Y

₂

X

₁

$

₂₁

$

31

Y

₂

_Y

₃

Y

₁

El valor del efecto espúreo es:

d) efecto conjunto (EC):es el que se dá entre una variable exógena y una

endógena cuando la variable exógena covaría con otra. El diagrama básico de un efecto conjunto es:

Y

₁

X

₁

X

₂

Φ₁₂

β

₁₂

El valor del efecto conjunto es:

_{EC =}

_β

12

x

5.2.4.2. Descomposición de correlaciones: la regla del trazado.

La regla del trazado es un procedimiento gráfico que consiste en buscar

todos los posibles “caminos” o efectos entre la variable exógena de la correlación y la variable endógena sin invertir el orden causal o sentido de las flechas.

Como ya hemos comentado antes, en la nomenclatura para representar las correlaciones hemos incluido un * en las correlaciones reproducidas que no contienen efectos directos y no lo hemos incluido en las correlaciones reproducidas por el

modelo que contienen efectos directos dado que, estas últimas, son iguales a las correlaciones observadas. Hipótesis 1 X₁ Y₁ Y₂

γ

₁₁

_β

21

ζ

₁

ζ

₂

Descomposición en suma de efectos de la correlación r_x1,y1

Efecto directo:

X₁ Y₁

γ

₁₁

5.2.4.2. Descomposición de correlaciones: la regla del trazado.

Efecto indirecto: no Efecto conjunto: no

r

_x1,y1

=

Efecto espúreo: no

γ

₁₁

Así, la correlación quedaría como:

r

_{y y}

1 2

Descomposición en suma de efectos de la correlación:

Efecto directo: Y₁ Y₂

β

₂₁

Efecto indirecto: no Efecto espúreo: no Efecto conjunto: no

r

_y1y2

=

_β

21

Descomposición en suma de efectos de la correlación: Efecto indirecto: Si

r

_{x y} 1 2 * Y₂ Y₁

β

₂₁ X₁

γ

₁₁

5.2.4.2. Descomposición de correlaciones: la regla del trazado.

Efecto directo: No Efecto espúreo: no Efecto conjunto: no

r*

_x1,y2

=

γ

₁₁

_β

₂₁

5.2.4.2. Descomposición de correlaciones: la regla del trazado. Hipótesis 2 X₂ X₁ Y₁ Y₂ γ₁₁ γ₁₂ β₂₁

ζ

₁

_ζ

2

Descomposición de las correlaciones entre las variables observadas de la hipótesis 2:

X₁ Y₁

γ₁₁

r_x1,y1 = γ₁₁

X₂ Y₁

γ₁₂

ED

r

_{x y}

2 1

=

γ

12

5.2.4.2. Descomposición de correlaciones: la regla del trazado.

EI:no, EE: no y EC: no

r

_{y y}

1 2

=

β

21

EI:no, EE: no y EC: no

Y₂ Y₁ β21 ED r x y * 1 2 =

γ

11

β

21 X 1 Y1 Y2 β₂₁ γ₁₁ EI ED:no, EE: no y EC: no

Y₂

β

₂₁

EI

γ

₁₂ Y₁

r

x y * 2 2

=

γ β

12 21 X2 ED:no, EE: no y EC: no

Modelo A

x

₁

y

₁

y

₂ X₁ Y₂ Y1 Modelo B

3

.

0

1 1x

=

y

r

0

.

7

1 2x

=

y

r

8

.

0

1 2y

=

y

r

EJERCICIO.- Tengamos tres variables X_{1 ,} Y₁ e Y₂, cuyas correlaciones entre

ellas son: .

A este respecto, se proponen dos modelos alternativos:

Completar los diagramas causales, calcular los parámetros y determinar cual de los dos modelos ajusta mejor con las correlaciones observadas.

Solución

a) Los modelos completos serían:

X₁ Y₁ Y₂

γ

₁₁

_β

21 X₁ X₁

ζ

₁

ζ

₂

γ

₁₁

γ

₂₁

Y

₁

Y

₂

X

₁

ζ

₂

ζ

₁

b) Estimación de parámetros.

En los modelos sobreidentificados para calcular el valor de los parámetros se

descomponen en suma de efectos las correlaciones entre las variables relacionadas al menos por un efecto directo y se resuelve el sistema de ecuaciones obtenido. En el modelo A para calcular los coeficientes descomponemos las correlaciones entre X₁ e Y₁ y entre Y₁ e Y₂

γ_{11 β}

21

y

r_x1,y1 =

γ

₁₁

Sabemos que las correlaciones entre variables relacionadas mediante, al menos, un efecto directo son iguales a las observadas de manera que, el valor del

parámetro es:

0.3 =

γ

₁₁

De la misma manera,

_r

y y_{1 2}

=

β

21

=

0 8

.

Una vez calculados los parámetros se puede incluso calcular la proporción de variabilidad no explicada de cada variable endógena:

y

₁₁,

y

₂₂mediante las expresiones:

1-

γ

₁₁

*r

_x1y1

=1-0.09=0.91

1-

β

₂₁

*r

_y1y2

=1-0.64=0.36

El modelo A con los valores de los parámetros es:

Y₁ Y₂

0.91 _0.36

0.3 _0.8

X₁

Para obtener los parámetros del modelo B actuamos de la misma manera.

r_x1,y2 =

γ

₂₁

=0.7

r_x1,y1 =

γ

₁₁

=0.3

la proporción de variabilidad no explicada de cada variable endógena:

y

_{11 ,}

y

₂₂ mediante las expresiones:

1-

γ

₁₁ *r_x1y1=1-0.09=0.91 1-

γ

₂₁ *r_x1y2=1-0.49=0.51

El modelo B con los valores de los parámetros es:

Y

₂

0.7

_0.51

0.91

0.3

Y

₁

X

₁

c) Validación o ajuste del modelo:

Ya hemos comentado que sólo es posible evaluar el ajuste de los modelos sobreidentificados. El índice de ajuste es muy simple: para cada modelo se calcula la suma de las discrepancias al cuadrado entre las correlaciones observadas y las reproducidas por el modelo. Es decir:

(

)

ajuste

=

∑

r

_ij

−

r

*

_ij 2

Para los modelos A y B la expresión anterior es:

r* r Diferencia Ajuste 0.3481 MODELO A 0.7 0.7-0.24=0.46 MODELO B 0.8-0.21=0.59

r

x y *

. * .

.

1 2

=

γ β

11 21

=

0 3 0 8 0 24

=

0.2116

r

y y *

. * .

.

1 2

=

γ γ

11 21

=

0 3 0 7 0 21

=

0.8

Con los datos que tenemos, el modelo A es mejor porque se ajusta más a las correlaciones observadas.

Ejercicios:

1. Decomponer en suma de efectos las correlaciones entre Y₂e Y₃del modelo formulado en la Hipótesis 3.

2. Josep Lluís Melià (U. Valencia) propone el siguiente modelo sobre los accidentes laborales:

Se propone que el clima de seguridad tendría efectos causales en la respuesta de seguridad de los mandos; ésta, a su vez, tendría efectos en la conducta de seguridad de los compañeros de trabajo, y esta última, junto con el clima de seguridad y la respuesta de seguridad de los mandos, tendría efectos en la conducta de seguridad del trabajador. El clima de seguridad y el riesgo basal tendrían efectos causales en el riesgo real, y finalmente, el riesgo real tendría efectos causales en los accidentes. Se considera que el clima de seguridad y el riesgo basal están correlacionados.

Para la hipótesis anterior dibujar el diagrama causal, escribir las ecuaciones estructurales y descomponer en suma de efectos la correlación entre riesgo real y accidentes.

3. Dado el siguiente modelo, descomponer en suma de efecto la correlación entre Y2e Y3

X

₁

y

₁

_Y

₂

suficien apoyo problema depresio 0.10 -0.04 -0.22 -0.28 -0.21 0.20 0.79 4.- Se desea estudiar en un grupo de pacientes el efecto que

tiene sobre la depresión (depresio), el número de problema percibidos (problema), el apoyo que cuentan para afrontarlos (apoyo) y la estimación de si este apoyo es suficiente (suficien). A este respecto, disponemos del siguiente diagrama causal:

Esto supuesto, determinar la matriz de correlaciones entre todas las variables del modelo.

5.- Un investigador estudiando la relación entre las variables estabilidad emocional de

los hijos (EEH), estabilidad emocional de la madre (EEM), problemas económicos (PE) y red de apoyo (Apoyo) plantea la hipótesis representada en el siguiente diagrama

PE

Apoyo

EEM EEH

Manteniendo las relaciones incluidas en la hipótesis anterior,

a)Formula dos modelos causales alternativos de manera que las correlaciones observadas y las reproducidas entre las variables en cada modelo sean iguales.

b) Para cada unos de los modelos planteados descomponer en suma de efectos la correlación entre las variables problemas económicos (PE) y estabilidad emocional

X₁ Y₁ Y₂

0.5 0.7

6.- Un investigador estudiando la relación entre las variables conflictividad escolar, conflictividad familiar y

problemas conductuales en adolescentes formula dos hipótesis.

Hipótesis I: los problemas conductuales de los adolescentes dependen de la conflictividad familiar. La conflictividad escolar depende de los problemas conductuales de los adolescentes.

Para esta primera hipótesis se han obtenido los siguientes valores

X1: Conflictividad familiar, Y1: Problemas conductuales, Y2: Conflictividad escolar

Hipótesis II: La conflictividad escolar depende de la conflictividad familiar y ésta de los problemas conductuales de los adolescentes. Para esta hipótesis se han obtenido los siguientes valores:

X₁ Y₁ Y₂

0.5 0.6

X1: Problemas conductuales, Y1: Conflictividad familiar, Y2: Conflictividad escolar

7.- Un investigador plantea las siguientes relaciones entre 4 variables:

X

₁

X

₂

Y

₂

Y

₁ Modelo 1

X

₁

X

₂

Y

₁

Y

₂ Modelo 2

Sabiendo que las correlaciones observadas son:

r_x1x2=0.5 r_x1y1=0.6 r_x1y2=0.7

r_x2y1=0.4 r_x2y2=0.3

r_y1y2=0.2

Completar los diagramas, calcular los parámetros y evaluar cuál de los dos modelos se ajusta más a las correlaciones observadas.