Entre lo observable y lo latente: modelos de
ecuaciones estructurales e investigación social
Between
the observable and the latent: structural equations models and social research
Andrés Castillo Vargas
Universidad de Costa Rica, San José, Costa Rica
http://orcid.org/0009-0003-5794-3616
Andrés Ruiz Sánchez
Universidad de Costa Rica, San José, Costa Rica
http://orcid.org/0000-0003-2473-4626
Fecha de
recepción: 12 de enero del 2024
Fecha de
aceptación: 21 de agosto del 2024
Cómo
citar:
Castillo Vargas, Andrés y Andrés Ruiz Sánchez. 2025. Entre lo observable y lo latente:
modelos de ecuaciones estructurales e investigación social. Revista Reflexiones. 104 (2). DOI 10.15517/ rr.v104i2.58268
Resumen
Introducción:
El desarrollo de modelos y teorías que aborden los
fenómenos socioculturales ha sido un reto para la investigación empírica en
Ciencias Sociales, pues al trabajar con conceptos no experimentales y poco
controlables, se ha vuelto necesaria la creación de metodologías más certeras
para el estudio de conceptos no físicos y abstractos, entre las cuales se
encuentran los Modelos de Ecuaciones
Estructurales (MEE).
Objetivo:
El objetivo es analizar el potencial de los MEE para mejorar la comprensión de
fenómenos socioculturales en disciplinas pertenecientes a las Ciencias
Sociales.
Método y técnica: En primera instancia, se realizó una revisión bibliográfica en torno a
los orígenes de los MEE. Posteriormente, se detalló la estructura y etapas para
su construcción, lo cual fue seguido de un análisis sobre las contribuciones
que estos modelos ofrecen a la investigación social.
Resultados:
Los MEE permiten comprender
relaciones complejas entre variables propias de las Ciencias Sociales y
considerar los errores de medición en los datos. Esto posibilita analizar
simultáneamente varias relaciones de dependencia, a diferencia de otros enfoques
como la regresión múltiple o análisis multivariantes.
Conclusiones:
Los MEE favorecen la actividad investigativa y propician la generación de
nuevos aprendizajes que contribuyen al entendimiento e interpretación de
diversos fenómenos. Esto enfatiza la importancia de avanzar constantemente en
el conocimiento de las complejidades inherentes a los procesos sociales, en
aras de develar la relación existente entre lo observable y lo latente.
Palabras claves:
Idealizaciones, Variables latentes, Relaciones causales,
Teorías científicas, Modelos estadísticos.
Abstract
Introduction: The development of models and theories
addressing sociocultural phenomena has been a challenge for empirical research
in Social Sciences. Working with non-experimental and less controllable
concepts has made it necessary to create more accurate methodologies for
studying non-physical and abstract concepts, among which Structural Equation
Models (SEM) are found.
Objective: The aim is to analyze the potential of
SEM to enhance the understanding of sociocultural phenomena within disciplines
belonging to the Social Sciences.
Method and technique: Initially, a bibliographic review was
conducted regarding the origins of SEM. Subsequently, the structure and stages
for their construction were detailed, followed by an analysis of the
contributions these models offer to social research.
Results: SEM allows for the understanding of
complex relationships among variables inherent to social sciences and accounts
for measurement errors in data. This enables the simultaneous analysis of
multiple dependency relationships, unlike other approaches such as multiple
regression or multivariate analysis.
Conclusions: SEM is favorable for investigative
activity and fosters the creation of new insights that contribute to the
understanding and interpretation of various phenomena. This emphasizes the
importance of constantly advancing knowledge related to the inherent
complexities of social processes, to unveil the relationship between the
observable and the latent.
Keywords:
Idealizations, Latent variables, Causal relationships, Scientific theories,
Statistical models.
Introducción
Tradicionalmente,
uno de los elementos que impulsan el avance de la ciencia es el desarrollo de
metodologías que establecen criterios mínimos de excelencia y rigurosidad en la
búsqueda del conocimiento. No obstante, existe un componente esencial dentro de
este proceso, al cual se le ha otorgado poca atención y, sin embargo, es
indispensable en el perfeccionamiento de teorías y modelos científicos; este
elemento es conocido como las idealizaciones.
Las
idealizaciones consisten en asumir un hecho como real con el objetivo de
explicar una teoría científica. Esta noción de gran utilidad cuando se carece
de determinados datos o de teorías auxiliares que fortalezcan o validen un
modelo a estimar (Laymon 1989; Cuevas y Martínez 2011).
Las idealizaciones no solo son necesarias porque ayudan a la producción de
conocimiento científico y a construir teorías, sino también porque facilitan el
acercamiento a un objeto de estudio en particular. Permiten obtener
predicciones o explicaciones con base en circunstancias o modelos idealizados.
En cierta manera
no habría progresividad científica sin el uso de las idealizaciones, pues las
mismas evidencian como gracias a la identificación de un mundo, contexto o
característica “ideal” es posible comprender el mundo real y acceder al conocimiento
científico, es decir, son una manera “poco compleja o simplificada” de
comprender las teorías y modelos científicos (Laymon
1989). Ahora bien, aunque las idealizaciones son importantes en el desarrollo
de la ciencia, su uso debe ser prudente, pues como expone Laymon
(1989), puede que no se conozca con certeza si las idealizaciones propuestas se
encuentran muy cerca o muy lejos de la verdad. De allí, surge la importancia de
realizar idealizaciones cada vez más realistas, a pesar de lo contradictorio
del adjetivo, que contribuyan al establecimiento de predicciones más exactas en
relación con una teoría científica determinada.
Considerando la
relación existente entre las idealizaciones, la ciencia y los modelos
científicos, las teorías científicas pueden ser entendidas de dos maneras; como
«un conjunto (generalmente infinito) de enunciados –hipótesis y leyes- sobre un
aspecto de la realidad, ordenados sistemáticamente mediante relaciones de
deductibilidad que pueden someterse a contrastación» (Cuevas y Martínez 2011,
26); o como «sistemas ideales constituidos, mediante definición, por [un]
conjunto de enunciados o leyes teóricas que afirman o niegan que un sistema
real empírico está de acuerdo o no con el modelo [teórico de referencia]»
(Cuevas y Martínez 2011, 27).
De acuerdo con
Bunge (1981), las teorías científicas son sistemas lógicos y deductivos que
permiten hacer predicciones comprobables por medio de la observación y la
experimentación. Para dicho investigador, las teorías son afines a los modelos
científicos, los cuales son definidos como una posible representación
conceptual, esquemática e hipotética de una cosa o de una sustancia real o,
así, presumida. Al respecto, Guevara y Valdez (2004) argumentan que la
característica principal de un modelo es ser una construcción imaginaria que
reemplaza a un elemento de la realidad con el fin de representar de una manera
simplificada un aspecto de un sistema teórico.
Los modelos
tienen una función central en el desarrollo de teorías pues, permiten
establecer relaciones entre el lenguaje y los objetos por medio de enunciados,
indicadores, ecuaciones o diagramas, representados de manera conceptual o
gráfica (Cuevas y Martínez 2011). Es así, que un modelo debe facilitar la
visualización o comprensión conceptual del objeto o cosa modelada (Guevara y
Valdez 2004). Por ejemplo, en las teorías relacionadas con la lógica existen
modelos de árboles deductivos; en la teoría atómica existen diagramas de
densidad de probabilidades; y en biología matemática se encuentran grafos
dirigidos que enlazan distintas funciones biológicas.
El desarrollo de
modelos y teorías que aborden los fenómenos socioculturales ha sido un reto
para la investigación empírica en Ciencias Sociales, pues al trabajar con
conceptos no experimentales y poco controlables, se ha vuelto necesaria la
creación de distintas metodologías y análisis de datos que permitan un
acercamiento cada vez más certero a todos aquellos conceptos no físicos y
abstractos, conocidos comúnmente como constructos (Casas Guillén 2002). Precisamente,
una de estas metodologías son los Modelos de Ecuaciones Estructurales (MEE), los
cuales son un buen ejemplo de cómo las idealizaciones, las teorías y los
modelos científicos convergen empíricamente dentro de la investigación social;
justo en las siguientes líneas se caracterizarán algunos aportes que este tipo
de modelos han realizado al estudio del comportamiento humano. Tomando en
consideración el papel que los MEE emplean actualmente en las Ciencias
Sociales, este artículo analiza el potencial
de los MEE para mejorar la comprensión de fenómenos socioculturales en
disciplinas pertenecientes a las Ciencias Sociales, con particular énfasis en
los modelos CB-SEM (modelos de covarianza).
Con la finalidad
de organizar la presentación de los fundamentos, reflexiones y conclusiones
esbozadas en este artículo, se inicia con un breve recorrido en torno a los
orígenes de los MEE. Posteriormente, se detalla la estructura y etapas para su
construcción, seguido de un análisis sobre las contribuciones ofrecidas de
estos modelos a la investigación social. Finalmente, se concluye resaltando su
utilidad para la indagación empírica en Ciencias Sociales.
Metodología
La presente
investigación se desarrolló a partir de un enfoque cualitativo. Se llevó a cabo
un análisis descriptivo basado en la revisión, evaluación y síntesis crítica de
fuentes bibliográficas vinculadas con los MEE. Esta revisión de antecedentes
posibilitó analizar el potencial de estos
modelos para mejorar la comprensión de fenómenos socioculturales en disciplinas
pertenecientes a las Ciencias Sociales. La ejecución de este estudio se llevó a
cabo en tres etapas investigativas. En primer lugar, se volcó la atención a los
orígenes de los MEE, con particular interés en su utilización dentro de
investigaciones sociales. En la segunda etapa, se consultó una diversidad de
fuentes bibliográficas que versaban en torno a la estructura y pasos a seguir
para la construcción de un MEE, contrastándolas con el objetivo de plantear una
secuencia típica en la elaboración de estos modelos. En la tercera y última
etapa, se generaron reflexiones que resaltaron los beneficios, limitaciones y
aportes de los MEE dentro de la investigación social.
La columna
vertebral de la metodología consistió en la búsqueda y selección de material
bibliográfico en línea, vinculado con los temas centrales del estudio escritos tanto
en español como inglés. Debido a que en esta investigación se contempla una
breve revisión histórica sobre la creación y utilización de los MEE, las
fuentes bibliográficas datan de 1921 (uno de los primeros textos en los que se
plantea este tipo de modelos), hasta el año 2024; en este sentido, la fecha de
publicación no constituyó un criterio de exclusión. Para localizar las fuentes
de interés para el estudio, se utilizaron motores de búsqueda en línea (como
por ejemplo repositorios de artículos científicos y bibliotecas digitales) en
los cuales se introdujeron palabras clave vinculadas con los temas centrales de
la investigación, permitiendo así la identificación, clasificación y análisis
de los textos que sirvieron como materia prima para la elaboración de este
artículo.
El
análisis de estas fuentes consistió en la síntesis de las ideas y argumentos centrales
de cada uno de los textos consultados, los cuales fueron agrupados en
categorías preestablecidas de acuerdo con su pertinencia para cada uno de los
apartados de interés en el estudio. Una vez categorizada esta información, se
procedió a la construcción del cuerpo de cada uno de estos apartados, entrelazando
y contrastando las ideas clave de las autorías consultadas.
Origen y características de los modelos de ecuaciones
estructurales
El término genérico “modelos de ecuaciones estructurales” (MEE) [SEM por
sus siglas en inglés] ha sido utilizado en los procesos de investigación
empírica desde hace muchos años, datándose desde la
década de 1920 (Tarka, 2018). Hace referencia al
procedimiento analítico que «designa aproximaciones varias al análisis de la
causalidad entre una serie de variables independientes y dependientes, con la particularidad
de incluir distintas interrelaciones entre ellas y diferenciar entre variables
observadas y latentes» (Cea D’Ancona 2002, 515).
Dicho concepto se introdujo hace más de 80 años por el genetista
estadounidense Sewall Wright (1921), quien:
trabajando
sobre patrones de covariación entre varias características de cobayas,
desarrolló una forma de romper las correlaciones observadas en un sistema de
ecuaciones que matemáticamente describían su hipótesis respecto a las
relaciones causales. Las relaciones entre variables fueron representadas
[posteriormente por dicho investigador] en un pathdiagram (diagrama de ruta, senderos o trayectoria), por lo que su método
llegó conocerse como pathanalysis,
[constituyéndose en uno de los primeros métodos de investigación que utilizaban
como recurso un modelo gráfico] (García Veiga 2011, 17).
Justamente, Maruyama (1997) comenta que en un inicio los MEE fueron
llamados pathanalysis,
pues tomaban como referencia el nombre utilizado por Wright (1921) en sus
investigaciones. No obstante, con la inclusión del término en las Ciencias Sociales
y el desarrollo de las nuevas tecnologías de la información y la comunicación,
este paso a denominarse “modelado causal”. Este término luego fue reemplazado
por uno menos controversial y más descriptivo que no produjera tanto debate y
discusión en la comunidad científica respecto al tipo de causalidad referida;
este fue “ecuación estructural”. Dicho concepto es muy apropiado, según Ruiz,
Pardo y San Martín (2010) pues «el nombre que reciben los modelos de ecuaciones
estructurales es debido a que es necesario utilizar un conjunto de ecuaciones
para representar las relaciones propuestas por la teoría» (35).
Por otra parte, los MEE son como una familia de modelos estadísticos que
buscan explicar las relaciones existentes entre múltiples variables, por medio
de la estructura de las interrelaciones expresadas mediante un conjunto de
ecuaciones similares a un grupo de regresiones (Hair
et al. 2006; Tarka 2018). Esta característica ha
hecho argumentar a distintos científicos sociales, que uno de los principales
alcances de estos modelos es estimar la fuerza y direccionalidad de todas las
relaciones hipotetizadas entre las variables previstas en un modelo teórico
(Maruyama 1997). En palabras de Ruiz, Pardo y San Martín:
la gran
ventaja de este tipo de modelos es que permiten proponer el tipo y dirección de
las relaciones que se espera encontrar entre las diversas variables contenidas
en él, para pasar posteriormente a estimar los parámetros[1] que vienen
especificados por las relaciones propuestas a nivel teórico. Por este motivo se
denominan también modelos confirmatorios, ya que el interés fundamental es
“confirmar” mediante el análisis de la muestra, las relaciones propuestas a
partir de la teoría explicativa que se haya decidido utilizar como referencia
(2010, 34).
Sobre esta misma línea discursiva, Gutiérrez Doña (2008, 11) opina que los MEE
ofrecen la posibilidad de realizar análisis complejos al unir un análisis
factorial confirmatorio con una regresión lineal, permitiendo de este modo el
estudio de estructuras latentes. Es decir, «los constructos hipotéticos se
definen como variables latentes, que son operacionalizados por varios
indicadores, de manera que es posible estimar el error de medición de los
indicadores individualmente y analizar las regresiones libres de error entre los constructos hipotéticos». Ciertamente por
esta cualidad, Ruiz, Pardo y San Martín (2010) defienden que los MEE son un
grupo de modelos estadísticos multivariantes que permiten estimar el efecto y
las relaciones entre distintas variables de una manera relativamente sencilla y
eficaz.
Para Kesteren (2021), los MEE constituyen una herramienta útil para el estudio de variables
latentes. Casas Guillén comparte esta idea, argumentando que «estos modelos no
prueban la causalidad, pero ayudan al [personal] investigador en la toma de
decisiones, rechazando las hipótesis (…) cuando se contradicen con los datos,
esto es, con la estructura de covarianzas o correlaciones subyacente entre las
variables» (2002, 1).
Específicamente, sobre el término “causal”:
en las ciencias sociales hace referencia al conjunto de
estrategias y técnicas de elaboración de modelos (…) que explican los fenómenos
con objeto de contrastarlos empíricamente. Sus orígenes se encuentran en el path-analysis, literalmente traducido como análisis de
senderos [de ruta o trayectorias], cuyo objeto es el estudio de los efectos de
unas variables consideradas como causas sobre otras tomadas como efectos (…) El
análisis path es una técnica similar a la regresión
pero con poder explicativo, que estudia los efectos directos e indirectos en el
conjunto de las variables observables, asumiendo la existencia de relaciones
lineales entre ellas, [así como] la incorrelación de
los errores de regresión y la ausencia de errores de medición de las variables
(Casas Guillén 2002, 2).
Puede afirmarse que el término “causalidad” es utilizado en estos modelos
como una forma de explicar una relación empírica sin necesidad de poseer un
diseño experimental, es decir, alude al contraste que se logra establecer entre
la teoría y las técnicas utilizadas sin presentarse una manipulación directa de
las variables. En términos más sencillos, hipotetiza una relación causa-efecto.
Ruiz, Pardo y San Martín explican esta característica, justificando que «la
especificación teórica del modelo permite proponer estructuras causales entre
las variables, de manera que unas variables causen un efecto sobre otras
variables que, a su vez, pueden trasladar estos efectos a otras variables,
creando [así diversas] concatenaciones de variables» (2010, 34).
Una vez conocidos a grandes rasgos los orígenes de esta metodología, es
indispensable especificar el tipo de variables que se pueden distinguir dentro
de estos modelos. Ruiz, Pardo y San Martín (2010, 36) realizan una muy buena
descripción de estas, la cual vale la pena transcribir:
·
Variable
observada o indicador: mide a los sujetos [de investigación]. Por ejemplo, las
preguntas de un cuestionario referidas a conductas realizadas.
·
Variable
latente: característica que se desearía medir, pero que no se puede observar y
que está libre de error de medición. Por ejemplo, una dimensión de un
cuestionario o un factor en un análisis factorial exploratorio.
·
Variable
error: representa tanto los errores asociados a la medición de una variable
como el conjunto de variables que no han sido contempladas en el modelo y que
pueden afectar a la medición 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 predicción.
·
Variable
de agrupación: variable categórica que representa la pertenencia a las
distintas subpoblaciones que se desea comparar. Cada código representa una
subpoblación.
·
Variable
exógena [indicadora]: afecta a otra variable [a la vez que] no recibe efecto de
ninguna variable. Las variables independientes de un modelo de regresión son
exógenas, [en un diagrama de ruta estas variables son las que no reciben
ninguna flecha].
·
Variable
endógena [criterio]: recibe efecto de otra variable. La variable dependiente de
un modelo de regresión es endógena. Toda variable endógena debe ir acompañada
de un error, [en un diagrama de trayectoria estas variables son las que reciben
las flechas].
Ahondando un poco en la descripción anterior, García Veiga (2011, 18)
expone que «cualquier efecto estructural se representa como una flecha recta y
unidireccional, cuyo origen es la variable indicadora y cuyo final, donde se
encuentra la punta de la flecha, es la variable dependiente».
Asimismo, para efectos de la diagramación de dichas variables y el
establecimiento de las posibles relaciones entre ellas, es importante
considerar la siguiente simbología presente en la Tabla 1, con el objetivo
interpretar adecuadamente los gráficos resultantes de un MEE (Cea D’Ancona 2002; García Veiga 2011):
Tabla 1. Simbología utilizada en el diagrama de un Modelo de
Ecuaciones Estructurales
|
Criterio |
Símbolo |
|
Las variables observadas (indicadores) se representan en un cuadrado. |
|
|
Las variables latentes (constructos) figuran en un círculo
o elipse. |
|
|
Las flechas rectas
indican relaciones causales entre las variables conectadas (asociación mediante regresión). |
|
|
Las flechas curvas
y de doble dirección denotan
correlaciones (covariación). |
|
|
La varianza de una variable
puede representarse utilizando una flecha de doble cabecera desde una variable
a sí misma. |
|
|
Las líneas discontinuas indican trayectorias o senderos no significativos. |
|
|
A cada flecha se le asocia un coeficiente. |
|
|
La inexistencia de flecha significa que dichas variables no están directamente relacionadas (independencia condicional). |
|
Fuente: elaboración propia con base en Cea
D’Ancona (2002) y García
Veiga (2011).
Por otra parte, como complemento a la Tabla 1, la Figura
1 ilustra algunas de las relaciones que pueden presentarse en un diagrama de
senderos:
Figura 1. Relaciones entre variables de un Modelo de Ecuaciones Estructurales
Fuente: Elaborado con base en Casas Guillén
(2002, 2).
Estructura de un MEE
Los MEE están
conformados por dos partes fundamentales o submodelos: un modelo de medida y un
modelo de relaciones estructurales. De acuerdo con Gutiérrez Doña (2008) y Tarka (2018), en la estructuración de estos modelos se
procede de lo general a lo particular, es decir, primero se hace un
planteamiento teórico basado en un ejemplo gráfico que exponga el modelo de
medición para especificar posteriormente el modelo estructural. En dicho
contexto, el modelo de regresión es especificado como el modelo estructural, mientras
que el análisis de factores es especificado como el modelo de medición. Para Cea
D’Ancona (2002), las características principales de
dichos submodelos son las siguientes:
Modelo de medida o de medición (análisis de factores)
Incluye las relaciones
de las variables latentes con las variables empíricas que los representan. Por
medición se entenderá el proceso por el que un concepto se ve representado en
una variable latente y esta se vincula a variables observadas. Su ecuación se
expresa de la siguiente forma en el caso de variables endógenas:
Y=Λyη+ε
·
Y= variables
observadas dependientes.
·
𝛬𝑦 =
matriz de coeficientes factoriales de Y. Muestra la relación de 𝜂 a Y.
·
𝜂
= es un vector de variables no observadas o latentes.
·
𝜀 =
error de medición de los indicadores endógenos.
Para variables
exógenas:
X=Λxζ(xi)+δ
·
X= sería un vector
de variables observadas independientes o exógenas.
·
𝛬𝑥 (lambda)
= es una matriz de pesos factoriales que relaciona las variables manifiestas
con las latentes.
·
ζ (xi) = es un
vector de variables exógenas latentes.
·
δ (delta) = es un vector de errores de medición.
En este sentido,
vale agregar que Cea D’Ancona destaca que «el modelo de
medición incluye las relaciones de las variables latentes (o constructos) con
sus indicadores (o variables empíricas)» (2002, 529); y que la finalidad última de este modelo
es poder comprobar la adecuación de los indicadores elegidos en la medición de
los términos conceptuales de interés.
Modelo estructural (análisis de regresión)
Es el modelo que
describe relaciones causales entre variables latentes. Su ecuación se expresa
de la siguiente manera:
η=Γζ(xi)+Bη+ζ
Donde cada
elemento de la ecuación representa:
·
𝜂 (𝑒𝑡𝑎) = vector de variables endógenas latentes.
·
𝛤 (gamma)
es una matriz de coeficientes [gamma (𝛾)]
que relaciona las variables latentes exógenas (𝜉) con las endógenas (𝜂).
·
𝜉 (xi)=
vector de variables exógenas latentes (indicadoras).
·
𝛽
= matriz con relaciones de las variables latentes endógenas entre sí.
·
𝜁 (zeta)=
errores o perturbación
Dada la
complejidad que puede representar el entendimiento de los signos y la
nomenclatura empleada en las ecuaciones de estos modelos; la Tabla 2
esquematiza los principales símbolos utilizados en esta labor, con el objetivo
de brindar una mejor comprensión de estos:
Tabla 2. Significado de la simbología en las ecuaciones de un Modelo de
Ecuaciones Estructurales
|
Símbolo |
Significado |
|
|
ξ (xi) |
Variables latentes exógenas (o independientes) representadas por las X. |
|
|
η (eta) |
Variables latentes endógenas (o dependientes) representadas con las Y. |
|
|
γ (coeficientes gama) |
Coeficientes que miden
el efecto directo de
las ξ (variables latentes exógenas) sobre las η (variables latentes endógenas). |
|
|
β (coeficientes beta) |
Son los efectos
de las η
(variables latentes endógenas) sobre las η (variables latentes endógenas). |
|
|
φ (Coeficientes phi) |
Son las correlaciones entre las variables exógenas latentes. |
|
|
λ (coeficientes lambda) |
Son coeficientes de regresión que relacionan cada variable observable con su parte
no observable o latente. |
|
|
ε (coeficientes epsilon) |
Son coeficientes sobre
errores de medición en las variables endógenas observables; es decir, son
los errores de medición de las Y (variables dependientes). |
|
|
δ (coeficientes delta) |
Son coeficientes sobre
errores de medición en variables exógenas observadas; es decir,
son los errores de medición de las X (variables independientes). |
|
|
ζ (zeta) |
Es el término de error de medición para cada ecuación
que relaciona un grupo de variables
endógenas y exógenas explicativas, con una variable endógena criterio. En otras palabras, son los errores de
medición de cada ecuación lineal
estructural. |
|
Fuente: Elaboración propia
con base en Gutiérrez
Doña (2008, 14).
Etapas en la construcción de un MEE
De acuerdo con Casas
Guillén los MEE analizan las relaciones causales y no causales entre distintas
variables por medio de indicadores de medida de los constructos (o factores)
identificados teóricamente, en donde la persona investigadora diseña un modelo
que intenta representar de forma sencilla las relaciones existentes entre las
variables latentes y observadas. «La hipótesis de partida de todos estos
modelos es que reproducen exactamente la estructura de varianzas y covarianzas
de las variables objeto de estudio» (2002, 3), siguiendo una metodología que
pasa por diferentes etapas: especificación, identificación, estimación de
parámetros, evaluación del ajuste, reespecificación
del modelo e interpretación de resultados (Tabla 3).
Tabla
3. Etapas para elaborar
un Modelo de Ecuaciones
Estructurales
|
Etapa |
|
1. Especificación del modelo teórico
a utilizar. |
|
2. Identificación de parámetros. |
|
3. Medición de variables observadas (fase de estimación). |
|
4. Valoración de ajuste del modelo (fase
de ajuste). |
|
5. Evaluación del modelo (fase de evaluación e interpretación). |
Fuente: Elaboración propia
con base en Casas
Guillén (2002) y Cea
D’Ancona (2002).
A continuación,
se presenta una breve descripción de los pasos que deben seguirse para elaborar
un MEE (Casas Guillén 2002; Ruiz, Pardo y San Martín 2010, Stoffels
et al. 2023). Si bien, dicha descripción busca ser detallada, es importante
aclarar que no pretende ser exhaustiva.
Estimación del modelo y formulación de la teoría
que lo sustenta
Alude a la
identificación de variables de acuerdo con una teoría y tema en particular. De
acuerdo con Ruiz, Pardo y San Martín:
dicha
teoría debe estar formulada de manera que se pueda poner a prueba con datos
reales. En concreto, debe contener las variables que se consideran importantes
y que deben medirse a los sujetos. El modelo teórico 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 permitan medirla. Lo normal
es formular el modelo en formato gráfico; a partir de ahí es fácil identificar
las ecuaciones y los parámetros (2010, 39).
En palabras de Casas
Guillén:
En esta fase el investigador aplica sus conocimientos
teóricos del fenómeno estudiado al planteamiento de las ecuaciones matemáticas
relativas a los efectos causales de las variables latentes y a las expresiones
que las relacionan con los indicadores o variables observables. Del mismo modo,
la claridad del modelo se encontrará determinada por el grado de conocimiento
teórico que posea el investigador sobre el tema de estudio, si la información
es poco exhaustiva o detallada, la asignación de los parámetros será confusa a
priori, por lo que el investigador debe realizar diversos análisis
exploratorios de los datos hasta configurar el modelo, y efectuar
[posteriormente] el análisis confirmatorio del mismo (2002, 3).
Identificación de parámetros
Una
vez formulado el modelo teórico, cada parámetro debe ser identificado y
definido correctamente (Stoffels et al. 2023).
Igualmente, debe ser derivable de la información contenida en la matriz de
varianzas-covarianzas. Este es un proceso complejo que debe realizarse
cuidadosamente para no incurrir en errores que afecten posteriormente el
análisis del modelo. En este sentido, una de las reglas o estrategias más
utilizadas para saber si un modelo está identificado «es la regla de los grados
de libertad, obtenidos como la diferencia entre el número de varianzas y
covarianzas (ecuaciones) y el número de parámetros a estimar» (Casas Guillén
2002, 5). Byrne afirma que:
Los modelos
estructurales pueden ser identificables (just-identified
model), sobre identificados (over-identified
model) o sub identificados (under
identified model). Un
modelo identificable es aquel en el cual existe una correspondencia de
uno-a-uno entre los datos y los parámetros estructurales, [en donde los grados
de libertad son positivos - df = 0 - ], (…) un modelo
sobre identificado es aquel en el cual el número de parámetros a ser estimados
es menor que el número de varianzas y covarianzas de las variables observadas,
(…) [y] un modelo sub identificado es aquel en el cual el número de parámetros
a ser estimados es mayor que el número de varianzas y covarianzas, [lo cual
equivaldría a decir que la cantidad de parámetros estimados libremente en el modelo
es mayor que el número de datos conocidos] (1998, 9).
Fase de estimación
Una
vez seleccionadas las variables que formarán parte del modelo, se decide cómo
se medirán las variables observables (Thakkar 2020).
La importancia de estas mediciones radica en que gracias a ellas se obtienen
las varianzas y las covarianzas sobre las cuales se basa la estimación de los
parámetros. García Veiga opina que los MEE «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 (…). [Del mismo modo], hay que tener
en cuenta que las variables deben permitir el cálculo de las correlaciones [a
realizar], por ello deben ser variables cuantitativas [preferiblemente]
continuas» (2011, 21).
Por otra parte,
sobre la estimación del modelo, vale rescatar los siguientes métodos que además
tienden a ser los más utilizados en esta etapa:
·
Mínimos
cuadrados no ponderados (ULS por sus siglas en inglés): busca minimizar una
mitad de la suma de los cuadrados de cada elemento de la matriz residual. Así,
según Cea D’Ancona (2002), se da un peso
empíricamente determinado a cada residuo cuadrado antes de producirse la suma.
Suele ser un método adecuado cuando otros métodos han fallado.
·
Mínimos
cuadrados generalizados (GLS por sus siglas en inglés): es una variante del
método de mínimos cuadrados no ponderados. Al igual que el anterior, busca la
minimización de los residuos. En este proceso de estimación, se otorgan pesos
desiguales a los diversos residuos, lo cual conlleva la ponderación distinta de
las observaciones para corregir las varianzas-covarianzas desiguales de los
términos de error. Funciona de manera más óptima
cuando hay normalidad en los datos (Cea D’Ancona 2002).
·
Máxima
verosimilitud (ML por sus siglas en inglés): es el método de estimación de
parámetros más utilizado (Cea D’Ancona 2002; Tabachnick y Fidell 2007). Se
trata de un método que maximiza la probabilidad de los parámetros a partir de
los datos empíricos. Mediante este procedimiento se buscan los valores de los
parámetros que con mayor probabilidad han ocasionado las covarianzas o
correlaciones observadas, de manera que exige el cumplimiento del supuesto de
normalidad, homocedasticidad[2] e
independencia de los residuos. De acuerdo con Cea D’Ancona
(2002), este método junto al GLS pueden obtener estimaciones carentes de sesgo
a partir de las 100 unidades de análisis.
Fase de ajuste
Una vez
estimados los parámetros del modelo se procede inicialmente a valorar su ajuste
(Thakkar 2020). «La etapa de diagnóstico de la bondad
del ajuste se refiere a la exactitud de los supuestos del modelo especificado
para determinar si el modelo es correcto y sirve como aproximación al fenómeno
real, precisando así su poder de predicción» (Casas Guillén 2002, 2). En otras
palabras, es la comprobación del ajuste global de los datos observados, lo cual
consiste en contrastar las varianzas y covarianzas predichas con las
inicialmente observadas (Stoffels et al. 2023).
Según expone Cea
D’Ancona (2002), dicho procedimiento consiste en
restar a cada celda de la matriz observada la celda correspondiente de la
matriz esperada (o residual), si el resultado es igual a cero [0] significará
que existe un ajuste perfecto, de forma que entre más ceros posea la matriz
residual mejor será el ajuste.
Para estimar y
valorar la bondad del modelo, en esta etapa se han identificado tres tipos de
índices:
·
Índice
de ajuste global: es utilizado para comprobar el ajuste global del modelo
considerando las diferencias existentes entre la matriz de varianza-covarianzas
observadas y la predicha (matriz residual). El indicador más utilizado es la
razón de verosimilitud 𝜒2 (Cea
D’Ancona 2002; Tabachnick y
Fidell 2007).
·
Índice
de ajuste incremental: compara el modelo trazado con el modelo nulo, es decir,
compara el modelo propuesto con el modelo más sencillo posible, en el cual no
se especifica ninguna relación entre las variables y todos los senderos son
fijados a cero. Los indicadores que se incluyen en el ajuste incremental son
varios, no obstante, todos comparten la característica de oscilar en un rango
de 0 a 1 [entre más cercano este a uno se dice que hay mejor ajuste] (Cea D’Ancona 2002; Tabachnick y Fidell 2007).
·
Índice
de ajuste de parsimonia: se busca obtener un modelo sencillo, en el cual haya
pocos parámetros y al mismo tiempo muchos grados de libertad. En este sentido,
entre más parámetros libres haya es más probable que el modelo tenga un buen
ajuste (Cea D’Ancona 2002; Tabachnick
y Fidell 2007).
En la siguiente Tabla
4 se pueden apreciar los indicadores más utilizados de acuerdo con cada índice
de bondad de ajuste:
Tabla 4: Indicadores según índices de bondad de ajuste y cortes aceptables
|
Ajuste global o absoluto |
Valor de ajuste
esperado (puntos de cortes aceptables) |
|
Índice de razón
de verosimilitud χ2 |
Estadísticamente no significativo (p>0,05), que coincida con un valor pequeño (χ2= 0,0 ajuste perfecto) |
|
Bondad de ajuste
(GFI) |
Grande ≥0,90 |
|
Raíz cuadrada de la media
de los residuos (RMSR) |
Pequeño (0,0 ajuste
perfecto) |
|
Índice de centralidad (CI) |
Grande ≥0,90 |
|
Ajuste incremental |
Valor de ajuste esperado |
|
Tucker-Lewis (TLI) |
Elevados ≥0,90 |
|
Ajuste relativo (RFI) |
|
|
Ajuste Normado (NFI) |
|
|
Ajuste incremental (IFI) |
|
|
Ajuste comparativo (CFI) |
|
|
Índice de no centralidad relativa (RNI) |
|
|
Ajuste de parsimonia |
Valor de ajuste esperado |
|
Ajuste parsimonioso (PFI) |
No posee valor referencial, no obstante, se sugieren valores de 0,06 y 0,90 como indicador de diferencias sustanciales entre los modelos comparados |
|
χ2 normado |
< 2,0 |
|
Bondad de ajuste
ajustado (AGFI) |
≥0,90 |
|
De bondad de ajuste de parsimonia
(PGFI) |
≥0,90 |
|
Error de la raíz cuadrada media de aproximación (RMSEA) |
≤ 0,05 |
|
Información de Akaike
(AIC) |
Pequeño |
|
Estadístico N crítico (CN) |
≥ 200 |
Fuente: Elaboración propia con base en Cea D’Ancona (2002).
Fase de evaluación e interpretación
Una vez
realizados los procedimientos de ajuste necesarios, se procede a hacer una
valoración técnica de los valores estimados para los parámetros con el objetivo
de interpretar el modelo en todas sus partes y conocer su capacidad predictiva
(Cea D’Ancona 2002). Este análisis permitirá la
identificación de conclusiones y recomendaciones importantes vinculadas al tema
de investigación elegido, o en su defecto, —si el modelo no fuera válido— contribuiría
a sentar las bases para su rediseño (Thakkar 2020).
De igual manera,
una vez identificadas las distintas etapas en la elaboración de un MEE, se
vuelve significativo señalar los aportes de Cea D’Ancona
(2002) respecto a los supuestos básicos que deben considerarse cuando se
construye un modelo de este tipo, los cuales destacan que todas las variables
deben encontrarse estandarizadas (según la “métrica que le demos al modelo”),
es decir, medidas como desviaciones de su media; los errores de medición deben
tener un valor esperado igual a cero y no estar correlacionados. Además, los
errores de medición deben cumplir los supuestos de homocedasticidad (varianza
constante) y las correlaciones teóricas deben ser viables tanto entre
indicadores exógenos (X) como endógenos (Y).
Con respecto a
los tipos de análisis que se utilizan en los MEE, es importante resaltar los
supuestos básicos del análisis de regresión lineal, pues son estas premisas las
que guían, en gran parte, las etapas de valoración establecidas en dichos
modelos, por ello, Cea D’Ancona (2002) recomienda
tener en consideración los siguientes supuestos:
1.
Tamaño
muestral: la importancia de estimar de manera correcta el tamaño de la muestra
a utilizar es un dato relevante, pues «la fiabilidad de la mayoría de los
índices de ajuste aumenta, cuando se incrementa el tamaño de la muestra» (Cea D’Ancona 2001, 519) de ahí que se recomiende que debe de
haber 10 veces más casos que variables observadas. Aunque este requisito
actualmente se ha flexibilizado bastante.
2.
Normalidad
multivariable: «su existencia es imprescindible para garantizar que los valores
críticos que determinan la significatividad de cada coeficiente del modelo, y
la del modelo en su conjunto, sean correctos» (Cea D’Ancona
2002, 520).
3.
Las
variables observadas y latentes han de ser continuas: este supuesto es de gran
relevancia pues en ciencias sociales es muy común encontrar variables nominales
y ordinales, estas últimas por lo general se trabajan como continuas, lo que
hace que se incumpla este supuesto y el supuesto anterior [aunque en la
actualidad existe la tecnología necesaria para soportar análisis con datos
categóricos u ordinales].
4.
Ausencia
de colinealidad entre las variables: la colinealidad hace referencia a la
correlación que hay entre las variables independientes, por lo tanto, es
esperado que esta sea la mínima posible, de no ser así se incurre en la
dificultad de aumentar la magnitud del error típico.
Todos los
supuestos anteriores son relevantes no solo para el uso de programas
estadísticos que analicen los datos recolectados, sino también para que él o la
investigadora puedan discernir la información más relevante que deben reportar.
En síntesis, la
utilidad de los MEE para la investigación empírica en Ciencias Sociales reside
en el carácter global que muestran respecto a la relación existente entre las
variables de estudio o interés investigativo (Tarka
2018), Esto facilita el agrupamiento de grandes cantidades de información en
algunos pocos datos, los cuales pueden representarse de una manera visualmente
sencilla y agradable. Asimismo, al carecer del error de medición son ideales en
el estudio de constructos no medibles directamente, como lo pueden ser las
actitudes y la intención conductual (Cea D’Ancona
2002; Gutiérrez Doña 2008; Ruiz, Pardo y San Martín 2010).
En esa
dirección, Ruiz, Pardo y San Martín (2010) consideran que las fortalezas
principales de estos modelos son:
·
permiten
su representación gráfica,
·
facilitan
la posibilidad de hipotetizar efectos causales entre las variables,
·
admiten
la concatenación de efectos entre variables y
·
contribuyen
a identificar relaciones recíprocas entre variables.
En lo que
respecta al estudio de la causalidad o predictibilidad, los MEE no sólo
facilitan los análisis estadísticos, sino también contribuyen a la toma de
decisiones por parte del personal investigador, al lograr identificar modelos e
indicadores que explican diversos fenómenos de la realidad humana (Shaheen et al. 2017). Finalmente, recapitulando las
principales características de los MEE, la Figura 2 presenta a continuación un
mapa conceptual que integra los aspectos fundamentales desarrollados con
anterioridad.
Figura 2.
Mapa conceptual sobre modelos de ecuaciones estructurales.
Fuente:
Elaboración propia con base en Cea D’Ancona (2002), Gutiérrez
Doña (2008) y Ruiz, Pardo y San Martín (2010).
Aportes de los MEE en la
investigación social: alcances y limitaciones
Como parte de la sociedad, resulta fundamental poder identificar y
comprender diversos procesos, estructuras y dimensiones, especialmente, cuando
existen variables latentes que no cuentan con una denominación precisa y estas,
al igual que otras variables, ayudan a explicar y describir la realidad social
circundante. Por tanto, es necesario contar con sistemas y métodos que puedan
darles sentido.
Alaminos et al (2015) exponen que los MEE son como una narración para
intentar explicar un fenómeno o proceso social; donde se seleccionan un
conjunto de personajes, llamados variables que son considerados relevantes para
una historia. Estos interactúan entre sí, y sus acciones están conectadas y
explicadas dentro de la trama. Algunas acciones de personajes se explican por
las de otros, estableciendo relaciones causales entre ellos. Asimismo, puede
haber personajes cuyas acciones están explicadas con detalle dentro de la
historia, aunque su impacto en los demás personajes puede no ser relevante en
ese momento específico de la narrativa. Esta es una forma creativa de
comprender los aportes de los modelos de ecuaciones estructurales para la
investigación en Ciencias Sociales.
Dentro de la investigación social, la versatilidad de estos modelos en la
exploración de conexiones complejas entre variables, tanto observables como no
observables, los convierte en una herramienta esencial para la comprensión de
fenómenos en entornos no experimentales (Ghaleb y Murat 2024). A diferencia de
enfoques tradicionales, como la regresión múltiple, los MEE son capaces de
abordar diversas relaciones de dependencia al mismo tiempo, haciéndose útiles
para investigar situaciones donde múltiples variables interactúan entre sí.
Sin embargo, a pesar de estas fortalezas, los MEE también tienen ciertas
áreas de mejora que deben ser consideradas a la hora de ser aplicados. En las
siguientes líneas se explorarán con detenimiento estas limitaciones, para ello
se brindarán ejemplos de aplicación y señalamientos relevantes de distintas
personas autoras, con el fin de potenciar aún más el impacto de los MEE y sus
aportes en el ámbito de la ciencia.
Los MEE son una herramienta importante para la investigación social,
utilizada en diversas Ciencias Sociales como la Psicología, la Educación y la
Sociología. «Una de las ventajas de los SEM es que permiten proponer el tipo y
dirección de las relaciones que se esperan encontrar entre las variables
continuas en estudio para realizar la verificación de relaciones propuestas a
nivel teórico» (González Martínez 2018, 3). Estos modelos permiten comprender
relaciones complejas entre variables y considerar los errores de medición en
los datos; lo cual posibilita analizar simultáneamente varias relaciones de
dependencia, a diferencia de otros enfoques. Algunas de estas otras técnicas
incluyen la regresión múltiple, análisis de factores, análisis multivariantes y
el análisis discriminante, las cuales solamente pueden examinar una relación a
la vez. Esto puede representar un desafío a la hora de investigar fenómenos
complejos a nivel social que involucran múltiples variables interconectadas
(Cupani 2012; Ghaleb y Murat 2024).
De acuerdo con González Martínez (2018), cuando las variables están
interconectadas, los MEE muestran cómo una puede tener influencia en otras, y
como está varía en fuerza y dirección. Esto puede ser especialmente útil cuando
los efectos no son uniformes y las interacciones entre variables son necesarias
para entender el panorama completo. Además, los MEE permiten evaluar qué tan
bien se ajusta el modelo teórico a los datos observados utilizando diferentes
índices de ajuste, lo cual es fundamental para determinar si el modelo teórico
refleja la realidad con precisión, lo que contribuye a la construcción de
modelos más sólidos (González Martínez 2018; Shaheen et al. 2017). En este sentido,
la construcción de modelos sólidos es fundamental para la progresividad de la
ciencia y el conocimiento científico en el estudio de variables humanas o
sociales.
Los MEE se destacan por estimar y evaluar relaciones entre variables
latentes, es decir, aquellas que representan constructos teóricos que no son
observables directamente, como la inteligencia o la satisfacción (Kesteren 2021). A diferencia de otras técnicas que utilizan
una única medida para representar constructos y no modelan el error de
medición, los MEE permiten el uso de múltiples medidas para representar un
constructo, controlando así el error de medición específico de cada variable.
Todo esto ayuda a evaluar la validez de los constructos medidos (Cupani 2012).
A la hora de interpretar resultados dentro de los MEE, es necesaria una
evaluación de diversas pruebas con el fin de determinar si la estructura
teórica propuesta se ajusta adecuadamente a los datos empíricos, lo cual
implica comparar los valores de los parámetros estimados con la matriz
observada de covarianzas. A pesar de su potencial para evaluar modelos
teóricos, los MEE no establecen causalidades en sí mismas, sino que ayudan a
seleccionar hipótesis causales basadas en evidencia empírica, permitiendo que
se rechacen modelos causales que contradigan los datos recopilados. Su valor
está en la especificación previa de relaciones complejas entre variables y en
la evaluación de cuántas de estas relaciones concuerdan con los datos
recopilados empíricamente (Cupani 2012).
En áreas como la Psicología Educativa (como en otras Ciencias Sociales),
por ejemplo, los MEE tienen dos principales propósitos: por un lado,
desarrollar y validar instrumentos de medición relacionados con constructos de
interés, y por otro, estudiar y probar relaciones entre variables latentes en modelos
estructurales. Esta capacidad de comprender y evaluar modelos teóricos a través
de MEE ha permitido tener un enfoque más profundo y sofisticado en la
investigación, lo que resulta en una comprensión más precisa de los fenómenos
estudiados (Rigo y Donolo 2018).
Un ejemplo de aplicación corresponde al estudio de Vargas Hernández y
Montero Rojas (2016) en el cual utilizaron modelos de ecuaciones estructurales
para examinar los posibles factores causales que influían en el rendimiento
académico en cursos de matemáticas en la Universidad Nacional de Ingeniería de
Nicaragua. Su variable dependiente fue el rendimiento académico en un curso de Matemáticas,
el cual midieron en una escala de 0 a 100. Utilizaron distintas variables
independientes para analizar su relación con el rendimiento académico,
incluyendo la inteligencia fluida de las personas estudiantes, sus hábitos de
estudio y sus actitudes negativas hacia las matemáticas. Asimismo, se
consideraron factores relacionados con las personas docentes, como la edad, su
nivel académico y la participación en cursos pedagógicos. También se tomaron en
cuenta variables como la estabilidad emocional, las técnicas de enseñanza, el
grado de trabajo, la asistencia a clases y medidas de apoyo académico.
Los resultados mostraron que tres variables del estudiantado, la
inteligencia fluida, los hábitos de estudio y las actitudes negativas hacia las
matemáticas, influyen de forma significativa en su despeño. Además, las
primeras dos, no solo impactan directamente en el rendimiento académico en
matemáticas, sino que también tienen incidencia en las actitudes negativas
hacia la asignatura; por lo que tanto, los hábitos de estudio como la
inteligencia fluida influyen en el comportamiento de las actitudes negativas
hacia las matemáticas (Vargas Hernández y Montero Rojas 2016).
Por otra parte, las variables de la persona docente, tales como la edad, el
nivel académico y la asistencia a cursos pedagógicos, también mostraron efectos
directos de relevancia en el rendimiento académico de las y los estudiantes (Vargas
Hernández y Montero Rojas 2016). Estudios como este destacan la utilidad de los
MEE para analizar relaciones complejas en ámbitos naturales como lo es el
educativo y su capacidad para identificar factores determinantes dentro de
estos.
Manzano Patiño (2017) señala que si bien los MEE tienen distintas ventajas,
existen también algunas limitaciones relevantes. Una de ellas es la necesidad
de contar con “muestras grandes” para su uso, por ejemplo, n > 200; lo cual
puede ser un desafío en investigaciones con recursos y tiempo limitados.
Además, menciona que, para cada variable observada, se recomienda tener al
menos diez casos en la muestra; por lo que, si se desean evaluar modelos complejos
con diversas variables y parámetros, se requeriría una muestra aún más grande,
lo que puede ser costoso y difícil de obtener en la práctica.
Otra limitación importante está relacionada con la formulación del modelo,
debido a que plantear un modelo de MEE requiere un profundo conocimiento
teórico del fenómeno estudiado. Sin una base teórica sólida, pueden
desarrollarse modelos que se ajusten bien a los datos, pero que no tengan
suficiente sustento teórico; lo cual puede dar paso a conclusiones erróneas o a
la construcción de modelos sin suficiente relevancia en el contexto real
(Manzano Patiño 2017).
La confiabilidad de las variables latentes es otro aspecto que destacar; ya
que, si se emplean variables latentes poco confiables, los resultados del MEE
pueden no tener mucha confiabilidad y solidez. Finalmente, el conocimiento
sobre estadística es fundamental para aplicar el MEE, incluyendo la comprensión
profunda de conceptos y técnicas de modelado; sin esto, es posible que la
metodología sea utilizada de manera errónea o los resultados no se interpreten
correctamente, lo que a su vez representa un obstáculo para la persona
investigadora (Manzano Patiño 2017).
Medrano y Muñoz Navarro (2017) por su parte, expresan que si bien los MEE
se corresponden a una metodología sólida para trabajar con datos no
experimentales, su eficacia y utilidad están ligadas directamente a la
existencia de un modelo teórico sólido que los respalde. Destacan que es común
observar un uso inadecuado de esta metodología, donde las personas
investigadoras incluyen o excluyen parámetros en función de la mejora del
ajuste del modelo sin una base teórica sólida. Esto genera limitaciones significativas,
ya que la solidez de un modelo no depende solo del ajuste estadístico, sino
también de su coherencia interna con la teoría.
Por otro lado, una limitación común que estos destacan también es la insistencia
por el ajuste estadístico en detrimento de la fundamentación teórica;
resaltando que el fin del MEE no es solamente ajustar bien los datos, sino
contrastar teorías y conceptualizaciones, y la pérdida del razonamiento teórico
en favor del ajuste estadístico puede ser perjudicial. En esta línea, Medrano y
Muñoz Navarro señalan que:
ausencia de un
criterio externo puede llevar a que muchos modelos SEM sean simplemente un
modelo estadístico que explique la covariación entre diferentes constructos
teóricos. En efecto, muchos investigadores construyen modelos “ciegos” o
“mecánicos” donde se “crean” una o varias variables latentes para explicar las
variaciones causales, sin un criterio externo que permita contrastar dicho
modelo (2017, 237).
Resulta pertinente mencionar que los modelos MEE deben estar anclados en la
realidad, vinculando las variables observables con conceptos o fenómenos de
relevancia práctica (Tarka 2018). La falta de este
anclaje puede convertir a estos modelos en construcciones estadísticas
desvinculadas de la realidad, explicando la covariación entre constructos
teóricos sin un claro vínculo con el contexto real (Barrett 2007, como se citó
en Medrano y Muñoz Navarro 2017).
Dentro de las recomendaciones para abordar las limitaciones identificadas
en el uso de los MEE se encuentran establecer conexiones claras entre las
variables observables y fenómenos con relevancia práctica. Esto no solo
fortalecerá la aplicabilidad de los resultados, sino que también proporcionará
una base más sólida para la toma de decisiones. Además, se recomienda un
enfoque más riguroso en la identificación y discusión de modelos que presenten
deficiencias; la transparencia en la presentación de resultados, incluso cuando
estos no cumplen con las expectativas, es de carácter esencial para el progreso
de la producción de conocimiento científico. Esta comunidad puede verse
beneficiada al abordar con apertura las limitaciones y reforzar un diálogo que
conduzca a mejoras en la metodología y la comprensión de los fenómenos
sociales.
Igualmente, otra recomendación podría ser explorar nuevos enfoques y
desarrollar modelos más flexibles que respondan a necesidades contextualizadas
y pertinentes que se adapten a los fenómenos que se buscan estudiar. También,
la aplicación de los MEE en contextos culturales con mayor diversidad y adaptar
esta metodología a realidades más amplias podría diversificar su utilidad y
relevancia global, así como, generar nuevas preguntas y enfoques de
investigación; enriqueciendo con ello la comprensión de determinados objetos de
estudio bajo distintas perspectivas.
Conclusiones
Los MEE representan herramientas sumamente valiosas en la investigación
social, el explorar y trabajar con conexiones complejas entre variables, los convierte
en estrategias fundamentales para entender cómo estas se relacionan en
distintos contextos. Más allá de confirmar supuestos teóricos, los MEE juegan
un rol esencial al refinar y ajustar teorías científicas ya establecidas, robusteciendo
de manera sustancial la investigación realizada por las Ciencias Sociales.
Estos modelos no solo permiten representar de forma gráfica las relaciones entre
variables y brindar una narrativa visual que facilite la interpretación de los fenómenos,
sino que además establecen hipótesis causales que enriquecen la comprensión de
distintas dinámicas socioculturales.
La
flexibilidad que otorgan los MEE al poder estudiar relaciones simultáneas de
dependencia resulta especialmente valiosa al analizar procesos complejos que
involucran múltiples variables interrelacionadas; tal y como sucede con
frecuencia en la investigación social.
Indudablemente,
los MEE favorecen la actividad investigativa y propician la generación de nuevos
aprendizajes que contribuyen al entendimiento e interpretación de diversos fenómenos.
Subrayan con especial énfasis la importancia de avanzar constantemente en el conocimiento
de las complejidades inherentes a los procesos sociales, en aras de develar la
intrincada y cautivadora relación existente entre lo observable y lo latente.
Contribución
de las personas autoras
El
Dr.
Andrés Castillo Vargas y el M.Sc.
Andrés Ruiz Sánchez contribuyeron por igual a la redacción de este artículo. Ambas personas aportaron
en el proceso de investigación, así como en la revisión y aprobación de la
versión final del artículo.
Este
artículo se desprende del proyecto de investigación titulado: “Actitudes hacia la
difusión y la divulgación de la ciencia en la investigación académica: un
modelo estructural desde la teoría de la acción razonada”, tesis para optar por
el grado de Doctor en Ciencias Sociales y de la Comunicación por la Universidad
de Salamanca, España, realizado por el Dr. Andrés Castillo Vargas, autor de
este artículo. Y del proyecto de investigación N°
723-C1-304: “Actitudes y prácticas de personas investigadoras hacia la
divulgación de la ciencia” desarrollado por los autores en el Instituto de
Investigaciones Psicológicas de la Universidad de Costa Rica.
Apoyo
financiero
Los proyectos de los
cuales se desprende este artículo contaron con el apoyo financiero de la
Universidad de Costa Rica, la Universidad de Salamanca y la Fundación Carolina.
Agradecimientos
Agradecemos
el significativo apoyo brindado por las personas asistentes de investigación Nathalia Vásquez Navarro y Sebastián “Teo” Ramírez Estrada.
Referencias
Alaminos, Antonio et al. 2015.
Introducción a los modelos estructurales en investigación
social. Cuenca,
Ecuador: Pydlos Ediciones.
Bunge, Mario. 1981. Teoría y realidad. Barcelona, España: Editorial Ariel.
Byrne, Barbara. 1998.
Structural equation modeling with LISREL,
PRELIS and SIMPLIS. Londres, Inglaterra:
Psychology Press.
Casas
Guillén, Mercedes. 2002. «Los modelos de
ecuaciones estructurales y su aplicación en el Índice Europeo de Satisfacción
del Cliente». Ponencia presentada en las X Jornadas
Madrid 2002. Asociación Española de Profesores Universitarios de Matemáticas
para la Economía y la Empresa, Madrid, España, setiembre.
Cea D’Ancona, María Ángeles.
2002. Análisis multivariable. Teoría y práctica
en la investigación social. Madrid, España: Editorial Síntesis.
Cuevas Badallo, Ana, y Oscar Martínez Ortubay.
2011. «Tema 1. Introducción a la noción de ciencia». Manuscrito inédito. Máster Oficial en
Estudios Sociales de la Ciencia, Escuela de Ciencia, Centro de Altos Estudios
Universitarios (OEI), Madrid, España.
Cupani, Marcos. 2012.
«Análisis
de Ecuaciones Estructurales: conceptos, etapas de desarrollo y un ejemplo de
aplicación». Revista Tesis 1: 186-199. https://www.researchgate.net/publication/274716879_Analisis_de_Ecuaciones_Estructurales_conceptos_etapas_de_desarrollo_y_un_ejemplo_de_aplicacion
Ghaleb Marwan y Murat Yaslioglu.
2024. «Structural Equation
Modeling (SEM) for Social and Behavioral Sciences Studies: Steps Sequence and
Explanation». Journal of Organizational Behavior Review 6(1):
69-108. https://www.researchgate.net/publication/377776329_Structural_Equation_Modeling_SEM_for_Social_and_Behavioral_Sciences_Studies_Steps_Sequence_and_Explanation
García Veiga, María Ángeles. 2011. «Análisis causal con ecuaciones estructurales
de la satisfacción ciudadana con los servicios municipales». Tesis de
maestría inédita, Universidad de Santiago de Compostela, Santiago de
Compostela, España. http://eio.usc.es/pub/mte/descargas/proyectosfinmaster/proyecto_610.pdf
González Martínez,
Edgar Santiago. 2018. «Aplicación de un modelo de ecuaciones estructurales
en un estudio observacional». Reporte práctico técnico para optar
por diplomado, Universidad Veracruzana. https://www.uv.mx/personal/jorggomez/files/2021/11/Gonzalez-Martinez-2018-APLICACION-DE-UN-MODELO-DE-ECUACIONES-ESTRUCTURALES-EN-UN-ESTUDIO-OBSERVACIONAL.pdf
Guevara, Minerva, y Ricardo Valdéz.
2004. «Los modelos en la
enseñanza de la química: algunas de las dificultades asociadas a su enseñanza y
a su aprendizaje». Educación química 15(3): 243-247. https://doi.org/10.22201/fq.18708404e.2004.3.66181
Gutiérrez Doña, Benicio. 2008. Modelos lineales estructurales: conceptos básicos, ecuaciones y
programación con LISREL. San José, Costa Rica: Instituto de Investigaciones
Psicológicas de la Universidad de Costa Rica. https://iip.ucr.ac.cr/sites/default/files/contenido/cuamet2.pdf
Hair,
Joseph et al. 2006. Multivariate Data
Analysis. 6.a ed. New Jersey, Estados
Unidos: Prentice Hall.
Kesteren,
Erik-Jan van. 2021. Structural equations with latent variables:
computational solutions for modern data problems. Ultrecht,
Países Bajos: Utrecht University. https://doi.org/10.33540/130
Laymon,
Ronald. 1989. «Applying Idealized Scientific Theories to Engineering». Synthese 81(3): 353-371. https://doi.org/10.1007/BF00869321
Manzano Patiño, Abigail Patricia. 2017. «Introducción a los modelos de ecuaciones estructurales». Investigación en Educación Médica 7(25): 67-72. https://doi.org/10.1016/j.riem.2017.11.002
Maruyama, Geoffrey. 1997. Basics of structural equation modeling.
Londres, Inglaterra: Sage
Publications.
Medrano, Leonardo Adrián, y Roger Muñoz Navarro.
2017. «Aproximación Conceptual y Práctica a los Modelos de
Ecuaciones Estructurales». Revista Digital
de Investigación en Docencia Universitaria 11(1): 219-239. http://dx.doi.org/10.19083/ridu.11.486
Rigo, Daiana Yamila,
y Danilo Donolo. 2018. «Modelos de ecuaciones
estructurales: usos en investigación psicológica y educativa». Revista Interamericana de Psicología 3(52): 345-357. https://doi.org/10.30849/rip%20ijp.v52i3.388
Ruiz, Miguel, Antonio Pardo y Rafael San Martín. 2010.
«Modelos de ecuaciones
estructurales». Papeles del Psicólogo 31(1): 34-45. https://www.redalyc.org/articulo.oa?id=77812441004
Shaheen
Farhat et al. 2017. «Structural
equation modeling (SEM) in social sciences & medical research: a guide for
improved analysis. ». International Journal of
Academic Research in Business and Social Sciences 7(5): 132-143. http://dx.doi.org/10.6007/IJARBSS/v7-i5/2882
Stoffels
Malou et al. 2023. «Steps and
decisions involved when conducting structural equation modeling (SEM) analysis» Medical teacher 45(12):1343-1345. https://pubmed.ncbi.nlm.nih.gov/37813119/#:~:text=DOI%3A-,10.1080/0142159X.2023.2263233,-No%20abstract%20available
Tabachnick,
Barbara, y Linda Fidell. 2007.
Using Multivariate Statistics. 5.a
ed New York, Estados Unidos: Pearson. https://hisp.htmi.ch/pluginfile.php/77114/mod_resource/content/0/Using%20Multivariate%20Statistics%20%28Tabachnick%20and%20Fidell%29.pdf
Thakkar
Jitesh. 2020. «Procedural Steps
in Structural Equation Modelling».
En: Structural Equation Modelling. Studies in Systems, Decision and Control,
vol 285. Singapore: Springer. https://doi.org/10.1007/978-981-15-3793-6_3
Tarka,
Piotr. 2018. «An overview of
structural equation modeling: its beginnings, historical development,
usefulness and controversies in the social sciences». Qual Quant 52: 313–354.
https://doi.org/10.1007/s11135-017-0469-8
Vargas
Hernández, Marcia Mercedes, y Eiliana Montero Rojas. 2016. «Factores que determinan el
rendimiento académico en Matemáticas en el contexto de una universidad
tecnológica: aplicación de un modelo de ecuaciones estructurales». Universitas Psychologica 15(4). https://doi.org/10.11144/Javeriana.upsy15-4.fdra
Wright, Sewell. 1921. «Systems of mating. I. The biometric
relations between parent and offspring». Genetics 6(2): 111-123. https://doi.org/10.1093/genetics/6.2.111