2.
) Tambin podemos tener una matriz de datos tpica con los datos directos de los sujetos
(en filas) a las variables (en columnas):
INTRODUCCIN AL PROGRAMA AMOS 5.0.
1. Entrar al programa
El programa AMOS 5.0 permite la estimacin y contraste de modelos estructurales mediante
un sencillo y cmodo interface grfico. Para entrar en AMOS se selecciona la opcin Amos
Graphics dentro del men 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 (desviacin tpica), N (nmero de sujetos en esa variable), CORR
(correlaciones); VARNAME_ indica la variable a la que se va a referir el dato (slo se
especifica para N y para CORR). Cada columna siguiente indica tambin a qu variable
pertenece cada dato. Por ejemplo, la correlacin entre FLSPAN y MATR_STO es 0.47.
1
3. Para generar un modelo estructural
Seleccione el botn File name y elija el fichero de datos.
Seleccionamos en el men FILE y luego NEW. Tendremos la siguiente pantalla:
Ahora debe trazarse el modelo. Existen distintos iconos para este objetivo. Lo mejor es
(Dibujo de
empezar dibujando los factores latentes. Para ello se pulsa en el icono
variables latentes con sus indicadores respectivos), se mueve el puntero a la parte central y,
pinchando con el botn izquierdo, se genera un crculo (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. Debera 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
observables.
el
error
de
las
variables
Para dibujar las relaciones unidireccionales
entre las variables.
Para completar el diagrama pinchamos en el icono
(dibujar correlaciones) y dibujamos una correlacin entre
los 2 factores. Como el dibujo es muy pequeo en relacin 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 mayora de estos iconos pueden ejecutarse tambin desde el men
superior. En primer lugar, debe definirse cul es el fichero donde estn los datos. Para ello se
pulsa el icono
icono
(ajustar a la pgina) y obtendremos el siguiente resultado:
Ahora decir qu indicador se corresponde con cada
variable del fichero de datos. La manera ms sencilla es
(seleccionar fichero). Aparecer la siguiente pantalla:
(presentar las variables en la
seleccionar el icono
matriz de datos). Nos aparecera una pantalla como la
siguiente:
Seleccionamos cada variable del recuadro y la arrastramos (pulsando el botn izquierdo del
ratn) 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, crculos,
cuadrados,...) para cambiar sus propiedades.
4. Para estimar los parmetros del modelo estructural
Antes de ejecutar el programa, podemos seleccionar el icono
propiedades del anlisis, y aparecer lo siguiente:
, para especificar las
Podemos observar que el
mtodo de anlisis seleccionado
es el de mxima verosimilitud. Si
hay datos perdidos la opcin
Estimate means and intercepts debe
estar marcada.
Otra pestaa importante de esta
ventana es Output donde
podemos
especificar
la
informacin que queremos que
aparezca en la salida. Es
importante que este seleccionado
Standardized estimates para que el
programa nos proporcione el
valor
de
los
parmetros
estandarizados.
En Variable name ponemos el nombre de la variable (MCP). Variable Label indica la etiqueta
con la que se presentar en el grfico. Pulsando en la pestaa de Parameters podremos fijar los
parmetros (la varianza, en este caso) de esa variable a un valor concreto. En nuestro caso, ya
hemos fijado la mtrica de MCP fijando su peso a FLSPAN a 1. Tras poner nombre a todas
las variables latentes tendremos algo parecido a esta interesante figura:
Y ya hemos terminado la especificacin del modelo.
Algunos otros iconos pueden resultar tiles para
realizar/modificar el dibujo:
Seleccionar un objeto del dibujo
Seleccionar todos los objetos
Dicho esto, podemos ejecutar el programa pulsando el siguiente icono
qu nuestro modelo est bien especificado as como identificado...
Deseleccionar todos los objetos
y rezar para
Pero antes de seguir, se guarda el trabajo seleccionando en el men FILE y luego SAVE
AS.
Borrar objetos
Duplicar objetos
Desplazar objetos
Cambiar forma objetos
Realinear objetos
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 tamao de la muestra, el nmero de variables de cada tipo, el
nmero de parmetros fijos y libres , la matriz de varianzas-covarianzas y la matriz de
correlaciones observadas y el clculo de los grados de libertad).
Cambiar propiedades de objetos seleccionados simultneamente
A continuacin aparecen los parmetros no estandarizados y sus errores tpicos de
estimacin que nos permiten ver si los parmetros son significativamente distintos de 0.
Tambin aparecen los mismos pesos para la solucin estandarizada.
The model is recursive.
Sample size = 134
Variable counts (Group number 1)
Number of variables in your model:
Number of observed variables:
Number of unobserved variables:
Number of exogenous variables:
Number of endogenous variables:
Regression Weights: (Group number 1 - Default model)
14
6
8
8
6
Estimate
Parameter summary (Group number 1)
Fixed
Labeled
Unlabeled
Total
Weights
8
0
4
12
Covariances
0
0
1
1
Variances
0
0
8
8
Means
0
0
0
0
Intercepts
0
0
0
0
Total
8
0
13
21
DOT_MEM
FDSPAN
FDSPAN
<--- MCP
1.124
.166 6.783 ***
DOT_MEM <--- MCP
.554
.139 3.994 ***
RSPAN_ST <--- MT
1.000
COMP_ST <--- MT
4.091 1.132 3.614 ***
MATR_STO <--- MT
7.265 2.005 3.622 ***
COMP_ST
RSPAN_ST
FLSPAN
13.519
1.919
3.086
4.522
4.149
2.808
.493
.849
1.030
MATR_STO
COMP_ST
RSPAN_ST
DOT_MEM
FDSPAN
FLSPAN
6.880
2.139
1.470
8.161
4.104
6.265
COMP_ST
RSPAN_ST
DOT_MEM
FDSPAN
FLSPAN
1.000
.311
.320
.430
.451
1.000
.112
.177
.246
MCP
MCP
MCP
MT
MT
MT
Estimate
MCP <--> MT
Estimate
.748
.737
.396
.370
.690
.698
S.E.
1.029
C.R.
Label
.312 3.302 ***
Correlations: (Group number 1 - Default model)
MCP <--> MT
Estimate
.886
Variances: (Group number 1 - Default model)
1.000
.286
.224
Estimate
1.000
.574
MCP
1.000
Models
Default model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments:
Number of distinct parameters to be estimated:
Degrees of freedom (21 - 13):
Label
Covariances: (Group number 1 - Default model)
Sample Correlations (Group number 1)
MATR_STO
1.000
.467
.250
.332
.453
.466
1.000
FLSPAN
<--FDSPAN
<--DOT_MEM <--RSPAN_ST <--COMP_ST <--MATR_STO <---
Sample Covariances (Group number 1)
MATR_STO
41.638
11.077
2.706
5.626
8.346
7.519
C.R.
<--- MCP
Standardized Regression Weights: (Group number 1 - Default model)
Sample Moments (Group number 1)
MATR_STO
COMP_ST
RSPAN_ST
DOT_MEM
FDSPAN
FLSPAN
S.E.
FLSPAN
S.E.
C.R.
3.507
.805 4.356 ***
MT
.385
.199 1.937 .053
efl
2.758
.535 5.152 ***
efd
3.729
.697 5.347 ***
edo
5.802
.749 7.746 ***
ers
2.424
.312 7.762 ***
eco
7.081 1.236 5.731 ***
ema
21.339 3.805 5.608 ***
Label
21
13
8
Finalmente aparece informacin sobre el ajuste del modelo (aqu hemos seleccionado
aquellos tablas donde aparecen ndices que hemos visto en clase).
Model Fit Summary
CMIN
Model
Default model
Saturated model
Independence model
NPAR
13
21
6
CMIN
7.761
.000
182.938
DF
8
0
15
P
.457
CMIN/DF
.970
.000
12.196
RMR, GFI
Model
Default model
Saturated model
Independence model
RMR
.404
.000
4.165
GFI
.981
1.000
.604
AGFI
.951
PGFI
.374
.446
.431
RFI
rho1
.920
IFI
Delta2
1.001
1.000
.000
TLI
rho2
1.003
Baseline Comparisons
Model
Default model
Saturated model
Independence model
NFI
Delta1
.958
1.000
.000
.000
.000
CFI
1.000
1.000
.000
Parsimony-Adjusted Measures
Model
Default model
Saturated model
Independence model
PRATIO
.533
.000
1.000
PNFI
.511
.000
.000
PCFI
.533
.000
.000
FMIN
Model
Default model
Saturated model
Independence model
FMIN
.058
.000
1.375
F0
.000
.000
1.263
LO 90
.000
.000
.963
HI 90
.079
.000
1.619
RMSEA
Model
Default model
Independence model
RMSEA
.000
.290
LO 90
.000
.253
AIC
33.761
42.000
194.938
BCC
35.205
44.333
195.604
HI 90
.100
.329
PCLOSE
.676
.000
AIC
Model
Default model
Saturated model
Independence model
BIC
71.433
102.855
212.325
CAIC
84.433
123.855
218.325
10
