See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/326950885
Modelo de Ecuaciones Estructurales: Una guía para ciencias médicas y ciencias
de la salud
Article in Terapia psicológica · April 2018
DOI: 10.4067/s0718-48082017000300047
CITATIONS READS
46 413
2 authors:
Manuel S. Ortiz Montserrat Fernández-Pera
University of La Frontera 2 PUBLICATIONS 49 CITATIONS
95 PUBLICATIONS 1,302 CITATIONS
SEE PROFILE
SEE PROFILE
All content following this page was uploaded by Manuel S. Ortiz on 29 November 2020.
The user has requested enhancement of the downloaded file.
TERAPIA PSICOLÓGICA Copyright 2018 by Sociedad Chilena de Psicología Clínica
2018, Vol. 36, Nº 1, 47-53 ISSN 0716-6184 (impresa) · ISSN 0718-4808 (en línea)
Modelo de Ecuaciones Estructurales:
Una guía para ciencias médicas y ciencias de la salud
Structural Equation modeling: A guide for Medical and Health sciences
Manuel S. Ortiz
Departamento de Psicología.
Laboratorio de Estrés y Salud.
Universidad de La Frontera, Chile
Montserrat Fernández-Pera
Programa de Doctorado en Psicología.
Universidad de La Frontera, Chile.
Vice Gran Cancillería.
Universidad Católica de Temuco.
Recibido (09/05/2017) Aceptado (25/05/2017)
Correspondencia: La correspondencia relativa a este artículo debe ser enviada a Manuel S. Ortiz. Universidad de La Frontera, Departamento de
Psicología. Montevideo 0831, Temuco, Chile. +56 45 2592440 [email protected]
Esta investigación fue financiada por CONICYT (Comisión Nacional de Investigación Científica y Tecnológica, Gobierno de Chile), Proyecto
FONDECYT de INICIACION N°11140454 cuyo investigador principal fue el Dr. Manuel S. Ortiz.
52 Modelo de Ecuaciones Estructurales
Resumen
El modelo de ecuaciones estructurales (SEM) es una técnica de análisis estadística multivariada, que permite
analizar patrones complejos de relaciones entre variables, realizar comparaciones entre e intragrupos, y
validar modelos teóricos y empíricos. SEM puede ser utilizado para responder una amplia variedad de
preguntas de investigación tanto en diseños experimentales como no experimentales. Pese a sus ventajas
sobre técnicas tradicionales como la regresión múltiple o ANOVA, su uso en ciencias médicas y de la salud es
poco frecuente. Por tanto, el objetivo de este artículo es introducir esta técnica de análisis a investigadores de
las ciencias médicas y de la salud, explicando su aplicación con ejemplos del estudio chileno de predictores
psicológicos de obesidad y síndrome metabólico (PPOMS). Se espera contribuir a la comprensión de esta
técnica de análisis entre lectores de manuscritos científicos y estimular su uso entre investigadores de las
ciencias médicas y de la salud.
Palabras clave: Estadísticas, análisis multivariado, modelo de ecuaciones estructurales.
Abstract
Structural equation modeling (SEM) is a multivariate statistical analysis technique, utilized to analyze
complex patterns of relationships among a set of variables, conduct between-groups and within-groups
comparisons, and validate theoretical and empirical models. SEM can be used to answer several research
questions including those formulated in the context of experimental and non-experimental designs. Despite
the several advantages that SEM has over traditional procedures, such as multiple regression or ANOVA,
it has not been applied frequently in the medical and health science domains. Therefore, the purpose of this
article is to present SEM as a robust and comprehensive analytical technique capable of strengthening and
increasing the accuracy of the analyses in medical and health research. The functioning and applications of
SEM are illustrated through one research example: a Chilean study of psychological predictors of obesity
and metabolic syndrome. This article is aimed at contributing to a better understanding of this technique
among readers of scientific publications and facilitating its implementation in future research.
Introducción el error de medición, siendo ésta, una de sus mayores
ventajas por sobre otros métodos tradicionales de análisis
El modelo de ecuaciones estructurales (SEM por su nombre de datos. SEM puede ser aplicado a una amplia variedad
en inglés “Structural Equation Modeling”) es una técnica de preguntas de investigación, tipos de variables (continuas
de análisis estadístico multivariada, ampliamente utilizada y discretas), y diseños de investigación (experimentales y
en ciencias sociales y de la conducta (Bentler y Weeks, no experimentales).
1980; Beran y Violato, 2010; Ullman y Bentler, 2013), Aunque el uso de esta técnica es común en ciencias sociales
que permite analizar el patrón de relaciones entre una o y de la conducta, su uso en medicina y epidemiología
más variables independientes (VIs) y una o más variables es menos frecuente (Fonseca-Pedrero y Ortu, 2015).
dependientes (VDs). SEM provee un marco flexible para Por tanto, el objetivo de este artículo es introducir las
el desarrollo y análisis de relaciones múltiples, útil para principales características de SEM y guiar al lector en su
validar teorías usando modelos empíricos (Salinas-Oñate, implementación, desarrollando ejemplos y resultados con
Ortiz, Baeza-Rivera, y Betancourt, 2017) y extensamente datos obtenidos del proyecto FONDECYT de INICIACION
utilizado en procesos de validación de instrumentos 11140454 “predictores psicológicos de obesidad y síndrome
psicométricos (Fonseca-Pedrero y Ortu, 2015; Ortiz, Gómez- metabólico en una muestra de adultos chilenos”.
Pérez, Cancino, y Barrera-Herrera, 2016). Permite modelar
TERAPIA PSICOLÓGICA 2018, Vol. 36, Nº 1, 47–53
Manuel S. Ortiz y Montserrat Fernández-Pera. 53
*
SEM y otras técnicas estadísticas. 1 perímetro de cintura e
sexo
* e
* * * triglicéridos
SEM integra múltiples técnicas estadísticas, tales como * colesterol HDL * e
el análisis de la varianza (ANOVA), análisis de regresión d * Estrés * Síndrome
*
Psicológico Metabólico *
múltiple y análisis factorial. Por ejemplo, comparaciones de glucosa e
*
dos grupos o más, o comparaciones intragrupos pueden ser 1
*
presión sistólica * e
*
analizadas con ANOVA o SEM, llegando indistintamente al d
*
*
*
estrés agudo estrés crónico presión diastólica e
mismo resultado. SEM permite también responder preguntas
* *
que implican análisis de regresión múltiple. En un nivel muy e e
simple, un investigador podría plantear la relación entre una
variable observada, por ejemplo, estrés agudo, estrés crónico Figura 2. Modelo de ecuaciones estructurales
o sexo y otra variable medida directamente, por ejemplo, Fuente: Elaboración propia.
perímetro de cintura. Tal como se observa en la Figura 1,
el análisis más simple en este caso, implica la regresión Las Figuras 1 y 2 son ejemplos de diagramas “path” o SEM,
múltiple. Las cuatro variables medidas son representadas por su denominación en Inglés. Estos diagramas permiten
con rectángulos y conectadas por líneas con flechas que al investigador representar gráficamente sus hipótesis,
indican que las variables independientes (VIs) “estrés agudo”, facilitando que éstas sean convertidas en las ecuaciones
“estrés crónico” y “sexo” predicen la variable dependiente necesarias para el análisis.
(VD) “perímetro de cintura”. Líneas con doble flecha indican Para desarrollar un diagrama se debe cumplir con diversas
covarianza entre las variables. La presencia de error o residuo convenciones. Las variables medidas, también llamadas
(e y d) indica que la predicción no es perfecta. variables observadas, indicadores o variables manifiestas
son representadas por cuadrados o rectángulos. Los factores
estrés agudo
tienen dos o más indicadores y pueden ser llamados factores
latentes, variables latentes, constructos, o variables no
observadas. Los factores son representados por círculos
estrés crónico perímetro de cintura e
u óvalos. Las relaciones entre variables son indicadas por
líneas. La ausencia de líneas conectando variables indica
que no se ha hipotetizado una relación entre ellas. Las líneas
sexo tienen una o dos flechas. Una línea con una flecha indica
una relación directa entre las dos variables, siendo aquella
a la cual la flecha apunta la VD. Una línea con doble flecha
Figura 1. Modelo de sendero (path).
indica una covarianza entre las variables, que no implica
Fuente: Elaboración propia. dirección o efecto.
En la Figura 2, el Síndrome Metabólico es un factor latente
La Figura 2, representa un modelo más complejo, en el cual predicho por el Estrés Psicológico, el cual es otro factor
el Síndrome Metabólico es un factor latente (representado latente. Nótese, que el sexo predice tanto al Síndrome
por círculos), que no es medido directamente sino más bien Metabólico como al Estrés Psicológico. La línea con una
evaluado indirectamente usando seis indicadores (perímetro flecha indica la dirección de la predicción. Las líneas con
de cintura, triglicéridos, colesterol HDL, glucosa, presión doble flecha entre presión sistólica y diastólica, indican
sistólica y presión diastólica). El Síndrome Metabólico es asociación (covarianza) entre las variables observadas,
predicho por otro factor latente de Estrés Psicológico, el cual es pero sin hacer una predicción sobre la dirección o el efecto.
medido indirectamente por dos indicadores que sí son medidos La dirección de las flechas que conectan al Síndrome
directamente (estrés agudo y estrés crónico). El sexo (variable Metabólico (factor latente) con sus indicadores, indican que
observada) predice simultáneamente al Síndrome Metabólico el Síndrome Metabólico predice a las variables medidas. En
y al Estrés Psicológico. La nomenclatura de SEM indica que otras palabras, el Síndrome Metabólico como constructo,
los factores latentes sean identificados con una mayúscula resulta imposible de medir directamente, por tanto, se
inicial y las variables observadas o indicadores con minúsculas. mide a sus indicadores (perímetro de cintura, triglicéridos,
TERAPIA PSICOLÓGICA 2018, Vol. 36, Nº 1, 47–53
54 Modelo de Ecuaciones Estructurales
colesterol HDL, glucosa, presión sistólica y presión SEM y parámetros estimados
diastólica). Este es el mismo caso para el factor latente
de Estrés Psicológico. Tal como en la regresión lineal, Tanto en un modelo de medición como en un modelo
nada es medido perfectamente, habiendo, por tanto, error estructural, diferentes parámetros han de ser especificados y
o residuos. En SEM el error de las variables observadas estimados. Los parámetros a ser especificados son: Libres,
y los factores latentes es representado con esferas con las fijos y restringidos. Un parámetro libre es aquel que tiene
letras “e” y “d” respectivamente. El error del indicador (e) un valor desconocido y que se estima a partir del análisis.
es la varianza que no es explicada por el factor y que suele En la Figura 2, estos son representados con asteriscos. Un
considerarse error de medición. El error del factor en la parámetro fijo es pre-especificado por el investigador para
regresión (d) representa cualquier variable no considerada en adoptar un valor determinado, siendo este en la mayoría
la predicción y, por tanto, permite estimar el porcentaje de de los casos 10. Un parámetro restringido también tiene
varianza explicado por la regresión (Kline, 2013; Tu, 2009) un valor desconocido, pero el investigador le impone un
valor determinado. Por ejemplo, es común imponer una
SEM: Modelo de medición y modelo estructural. restricción de igualdad en el cual uno de los parámetros
asume el mismo valor en diferentes grupos que se comparan
Un modelo de medición, es aquel que evalúa la relación (Jackson et al., 2009; Schmitt, 2011).
entre variables observadas y factores latentes. En la Figura 2,
puede observarse que los indicadores perímetro de cintura, Etapas en SEM
triglicéridos, colesterol HDL, glucosa, presión arterial
sistólica y presión arterial diastólica comparten una causa SEM implica una serie de etapas, las cuales se describen
común subyacente denominada Síndrome Metabólico. a continuación: Especificación del modelo, estimación
Similarmente, un puntaje de estrés agudo y uno de estrés del modelo, evaluación de ajuste global del modelo y re-
crónico correlacionan entre sí y son explicados por un especificación del modelo. Cada una de estas etapas será
factor latente que ha sido designado Estrés Psicológico. ilustrada con ejemplos y datos obtenidos del Proyecto Fondecyt
El objetivo de un factor latente en un modelo de medición de Iniciación 11140454 “predictores psicológicos de obesidad
es identificar el número y la naturaleza de los factores y síndrome metabólico en una muestra de adultos chilenos”.
que dan cuenta de la variación común entre un conjunto
de indicadores (Babin y Svensson, 2012; Brown y Moore, Especificación del modelo
2012; Kaplan, 2001). Un factor latente, por tanto, da cuenta
de la correlación entre los indicadores. En otras palabras, En esta etapa inicial, se desarrollan las hipótesis acerca de
las variables observadas están inter-correlacionadas porque la relación entre las variables. El investigador debe decidir
comparten una causa común (están influidas por el mismo si las relaciones son unidireccionales o bidireccionales,
concepto subyacente) (Babin y Svensson, 2012). basándose en la teoría, en la evidencia previa o en ambas
En un modelo estructural, se evalúa la relación que existe (Bentler y Weeks, 1980). Estas relaciones pueden ser directas
entre una o varias variables observadas con un factor o indirectas, en la medida que en el modelo se incluyan
latente, o la relación existente entre factores latentes. variables que medien el efecto de una variable sobre la otra
Tal como se observa en la Figura 2, se hipotetiza que el (Bou y Satorra, 2010; Byrne, 2008). SEM es, por tanto, una
Estrés Psicológico se asocia directamente con Síndrome técnica confirmatoria más que exploratoria.
Metabólico. Asimismo, se espera que el sexo se asocie En la Figura 2, se observa que el investigador hipotetiza la
con ambos factores. La inclusión de la variable sexo al existencia de dos factores latentes, cada uno de los cuales tiene
modelo representado en la Figura 2, permite establecer sus propios indicadores. En el caso del Estrés Psicológico,
diferencias de medias entre hombres y mujeres tanto sus indicadores son: estrés agudo y estrés crónico, y para
en el factor latente de Estrés Psicológico como en el de el Síndrome Metabólico sus indicadores son: perímetro
Síndrome Metabólico. de cintura, triglicéridos, colesterol HDL, glucosa, presión
sistólica y presión diastólica.
TERAPIA PSICOLÓGICA 2018, Vol. 36, Nº 1, 47–53
Manuel S. Ortiz y Montserrat Fernández-Pera. 55
De esta manera, valores elevados en las variables (indicadores) la diferencia entre la matriz de covarianza observada y la
psicológicas implican alto estrés psicológico. Más aún, alto matriz de covarianza poblacional (Hayes, 2013).
Estrés Psicológico predice elevado estrés agudo y crónico Aunque hay muchos procedimientos de estimación
(obsérvese la dirección de las flechas). Lo anterior es similar disponibles, tres son presentados en este artículo. El
para el caso del factor latente Síndrome Metabólico. primero de ellos es la estimación de máxima-verosimilitud
En este modelo, también se hipotetiza que el Estrés Psicológico (ML por su nombre en inglés “máximum-likelihood”).
se asocia directamente con el Síndrome Metabólico y que el Este es el método que por defecto utilizan la mayoría de
sexo predice tanto al Estrés Psicológico como al Síndrome los softwares que ejecutan SEM. Esta estimación es un
Metabólico (véase la dirección de las flechas). proceso iterativo que determina en qué medida el modelo
Estas relaciones son traducidas a ecuaciones, las cuales predice los valores de la matriz de covarianza, con valores
permiten estimar el modelo. Un método de estimación cercanos a cero indicando un mejor ajuste. ML requiere
ampliamente utilizado es el denominado método Bentler- de tamaños muestrales grandes (generalmente n > 300) y
Weeks (Bentler y Weeks, 1980), en el cual los parámetros ha demostrado ser robusta con datos que no distribuyen
que se estiman son: cargas o pesos factoriales, coeficientes en forma normal (Hayes y Preacher, 2014; Hoyle, 2012).
de regresión, varianzas y covarianzas, errores y residuos. Otro método común de estimación es el de mínimos
cuadrados (LS por su nombre en inglés “least squares”).
Identificación. LS es similar a ML por cuanto estima los patrones de
relaciones entre las variables, pero lo hace minimizando
En SEM sólo modelos que están identificados pueden ser la suma de cuadrados de la desviación entre el modelo
estimados. Para que un modelo esté identificado, el número hipotetizado y el observado. LS funciona mejor que ML con
de parámetro que será estimado (asteriscos en la Figura 2) no muestras pequeñas y provee una mejor estimación cuando
puede exceder al número de datos observados. Aplicando la los supuestos de distribución normal e independencia son
siguiente fórmula se obtiene el total de “data points”, donde violados (Bollen y Long, 1993; Saris et al., 2009).
p equivale al número de variables observadas: Finalmente, el tercer método de estimación es conocido
número de “datapoints” = p(p+1) como distribución asimptótica libre (ADF por su nombre
en inglés “asymptotically distribution free”). Aunque esta
2
estimación es menos utilizada que las anteriores, funciona
En la Figura 2, p equivale a 9, por tanto, el número de bien si la distribución de datos es muy asimétrica. Este
“data points” es 45. Los parámetros a ser estimados son método requiere tamaños muestrales grandes (200 a 500)
20, con lo cual el modelo está sobre-identificado; condición para obtener estimadores confiables. Para mayores detalles
necesaria para proceder con el análisis. En el caso que sobre estimación revise a Hu, Bentler y Kano (Hu, Bentler,
exista el mismo número de “data points” y parámetros, el y Kano, 1992).
modelo estará solo-identificado y, por tanto, el análisis será
irrelevante pues la hipótesis del ajuste del modelo a los Evaluación del ajuste global del modelo.
datos no podrá ser comprobada. Pese a esto, las hipótesis
sobre coeficientes de regresión pueden ser testeados. Si Típicamente el ajuste del modelo es evaluado con el chi-
existieran menos “data points” que parámetros, el modelo cuadrado (χ2), el cual es muy sensible a tamaños muestrales
estaría sub-identificado y sus parámetros no podrían ser grandes. Por tal motivo, la evaluación global del modelo
estimados. Para mayores detalles sobre identificación suele realizarse considerando otros indicadores de bondad
refiérase a Kline (2013). de ajuste, los cuales tienen un rango que va de 0 a 1, con
valores altos sugiriendo mayor varianza explicada por el
Estimación del modelo. modelo. El “Comparative Fit Index” (CFI) y el “Tucker
Lewis Index” (TLI) son ampliamente empleados y comparan
Una vez que el modelo ha sido especificado e identificado, el modelo existente con uno nulo. Valores de CFI superiores
sus parámetros son estimados con el objetivo de minimizar a 0.95 y TLI mayores a 0.90, son indicadores de un buen
TERAPIA PSICOLÓGICA 2018, Vol. 36, Nº 1, 47–53
56 Modelo de Ecuaciones Estructurales
ajuste (Hooper et al., 2008; Hu y Bentler, 1999). Un buen incremental la mejora del ajuste global del modelo por
calce de los datos al modelo es también logrado con valores cada parámetro que es restringido o liberado del modelo
de residuos cercanos a 0, lo cual representa el porcentaje (Buse, 1982).
de varianza no explicado por el modelo. De estos, el
“Root Mean Square Error of Approximation (RMSEA) Interpretación y reporte.
y el “Standardized Root Mean Residual” (SRMR) son
frecuentemente reportados, con valores de RMSEA menores La principal preocupación que debe tenerse al interpretar SEM
a 0.6 y SRMR inferiores a 0,08 considerados aceptables es el significado de un determinado parámetro en el modelo y
(Fan y Sivo, 2007). En el caso del modelo desarrollado el grado en el cual este da cuenta de los datos observados. No
en este artículo, los indicadores de bondad de ajuste son debe olvidarse que el modelo a priori refleja una teoría o un
los siguientes χ2(24)= 68.6; p < 0.001; CFI = 0.96; TLI = conjunto de hipótesis interrelacionadas que pueden derivarse
0.93; RMSEA = 0.069; SRMR = 0.049. En conjuntos estos de diversas teorías, por tanto, la interpretación de un parámetro
indicadores señalan un muy buen ajuste global del modelo es siempre teórica, sin importar cuál sea su resultado. Aunque
a los datos (ver Figura 3). la causalidad en la interpretación de un parámetro es algo
que escapa el foco de este artículo, usando SEM es posible
hacer una interpretación causal siempre y cuando ésta sea
adecuada y correctamente fundamentada, incluso en diseños
correlacionales y transversales (Hayes, 2013; Pearl, 2012).
Ejemplo de reporte de resultados
En el caso del modelo representado en la Figura 3, es posible
identificar un efecto directo del factor latente de Estrés
Psicológico en el Síndrome Metabólico (ß = 0.18; p < 0.01). El
sexo de los participantes tiene un efecto directo en el Síndrome
Metabólico. Dado que esta variable ha sido consignada con
Figura 3. Modelo de ecuaciones estructurales con resultados los valores 0 para hombres y 1 para mujeres, se observa que
las mujeres presentan menos síndrome metabólico que los
Nota. Los valores de los errores y las varianzas de los factores hombres (ß = -0.67; p < 0.01). Finalmente, no existe efecto
latentes han sido omitidos para claridad del modelo. del sexo en el estrés (ß = 0.09; p = 0.31). Los indicadores de
Fuente: Elaboración propia. bondad de ajuste del modelo global son muy buenos (x2(24)
= 68.6; p < 0.001; CFI = 0.96; TLI = 0.93; RMSEA = 0.069;
Re-especificación del modelo. SRMR = 0.049). De esta manera, es posible determinar que
existe un efecto estadísticamente significativo del estrés
Una vez que se ha evaluado el ajuste global del modelo a los psicológico sobre el síndrome metabólico, y que las mujeres
datos, se pueden tomar dos decisiones. La primera de ellas presentan menos síndrome que los hombres, en esta muestra
es la interpretación y reporte de los resultados y la segunda de adultos chilenos.
la re-especificación del modelo. Aunque la primera opción
es la deseada, la evaluación del ajuste global del modelo a Conclusiones
los datos no es siempre óptima, necesitándose, por tanto,
re-especificar el modelo. Nótese que la re-especificación SEM es una poderosa técnica de análisis estadístico superior a
requiere la reconsideración de la “identificación” del modelo, la regresión múltiple pues permite analizar múltiples relaciones
luego volver a estimar el modelo y evaluar su bondad de teóricas simultáneamente y además hacer comparaciones
ajuste. Razones para re-especificar el modelo puede ser la entre grupos e intragrupos siendo, por tanto, similar a
búsqueda de un patrón de correlación omitido inicialmente, ANOVA. Con SEM es factible modelar el error y el uso de
la detección de un residuo de gran valor o el uso de algún factores latentes reduce el error de medida. Aunque SEM ha
algoritmo estadístico, como, por ejemplo, el Test de Lagrange sido mayoritariamente utilizado en ciencias sociales y del
(“Lagrange Multiplier Test”) el cual evalúa en forma comportamiento, es menos utilizada en ciencias médicas y
TERAPIA PSICOLÓGICA 2018, Vol. 36, Nº 1, 47–53
Manuel S. Ortiz y Montserrat Fernández-Pera. 57
epidemiología. Su uso en éstas disciplinas puede contribuir a Hayes, A., y Preacher, K. (2014). Statistical mediation analysis with a
generar modelos complejos que incorporen múltiples variables multicategorical independent variable. British Journal of Mathematical and
o indicadores, mejorando la comprensión de cómo diversas Statistical Psychology, 67, 451–470. http://doi.org/10.1111/bmsp.12028
variables o factores se interrelacionan entre sí y explican Hooper, D., Coughlan, J., y Mullen, M. R. (2008). Structural equation
desenlaces o comportamientos en salud. modelling: Guidelines for determining model fit. Electronic Journal
Pese a las virtudes aquí presentadas, el investigador debe tener of Business Research Methods, 6, 53–60.
un conocimiento teórico profundo del fenómeno de estudio, Hoyle, R. H. (2012). Handbook of structural equation modeling. New
pues SEM es una técnica confirmatoria. En su implementación, York: The Guildford Press.
se debe usar el diseño metodológico correcto, considerar los Hu, L., Bentler, P., y Kano, Y. (1992). Can test statistics in covariance
tamaños muestrales adecuados y tener medidas robustas para structure analysis be trusted? Psychological Bulletin, 112, 351–362.
las variables observadas. Hu, L., y Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance
structure analysis: Conventional criteria versus new alternatives.
Referencias Structural Equation Modeling: A Multidisciplinary Journal, 6, 1–55.
Babin, B. J., y Svensson, G. (2012). Structural equation modeling in social http://doi.org/10.1080/10705519909540118
science research. European Business Review, 24, 320–330. http://doi. Jackson, D. L., Gillaspy, J. A., y Purc-Stephenson, R. (2009). Reporting
org/10.1108/09555341211242132 practices in confirmatory factor analysis: An overview and some
Bentler, P. M., y Weeks, D. G. (1980). Linear structural equations with recommendations. Psychological Methods, 14, 6–23. http://doi.
latent variables. Psychometrika, 45, 289–308. http://doi.org/10.1007/ org/10.1037/a0014694
BF02293905 Kaplan, D. (2001). Structural Equation Modeling. International Encyclopedia
Beran, T. N., y Violato, C. (2010). Structural equation modeling in of the Social y Behavioral Sciences, 15215–15222. http://doi.
medical research: A primer. BMC Research Notes, 3, 267. http://doi. org/10.1080/10705510802154356
org/10.1186/1756-0500-3-267 Kline, R. B. (2013). Principales and practice of structural equation modeling.
Bollen, K., y Long, J. S. (1993). Testing structural equation models Journal of Chemical Information and Modeling, 53, 1689–1699. http://
(Vol. v. 154). Newbury Park: Sage Publications. Retrieved from doi.org/10.1017/CBO9781107415324.004
http://www.worldcat.org/title/testing-structural-equation-models/ Ortiz, M. S., Gómez-Pérez, D., Cancino, M., y Barrera-Herrera, A.
oclc/26856260yreferer=brief_results (2016). Validación de la versión en Español de la Escala de Optimismo
Bou, J. C., y Satorra, A. (2010). A multigroup structural equation approach: Disposicional (LOT-R) en una muestra Chilena de estudiantes
A demonstration by testing variation of firm profitability across EU universitarios. Terapia Psicológica, 34, 53–58. http://doi.org/10.4067/
samples. Organizational Research Methods, 13, 738–766. http://doi. S0718-48082016000100006
org/10.1177/1094428109340433 Pearl, J. (2012). The causal foundations of structural equation modeling.
Brown, T. A., y Moore, M. T. (2012). Confirmatory factor analysis. In R. In R. H. Hoyle (Ed.), Handbook of structural equation modeling (pp.
Hoyle (Ed.), Handbook of Structural Equation Modeling (pp. 361–379). 68–91). New York: The Guildford Press.
New York: The Guildfor Press. Salinas-Oñate, N., Ortiz, M. S., Baeza-Rivera, M. J., y Betancourt, H.
Buse, A. (1982). The likelihood ratio, wald, and lagrange multiplier tests: (2017). Desarrollo de un instrumento culturalmente pertinente para
An expository note. The American Statistician, 36, 153–157. http://doi. medir creencias en psicoterapia. Terapia Psicológica, 35, 15–22.
org/10.1080/00031305.1982.10482817 Saris, W. E., Satorra, A., y van der Veld, W. M. (2009). Testing structural
Byrne, B. M. (2008). Testing for multigroup equivalence of a measuring equation models or detection of misspecifications? Structural Equation
instrument: A walk through the process. Psicothema, 20, 872–882. Modeling: A Multidisciplinary Journal, 16, 561–582. http://doi.
Fan, X., y Sivo, S. A. (2007). Sensitivity of fit indices to model misspecification org/10.1080/10705510903203433
and model types. Multivariate Behavioral Research, 42, 509–529. http:// Schmitt, T. (2011). Current Methodological Considerations in Exploratory
doi.org/10.1080/00273170701382864 and Confirmatory Factor Analysis. Journal of Psychoeducational
Fonseca-Pedrero, E., y Ortu, J. (2015). Detección del riesgo para los Assessment, 29, 304–321. http://doi.org/10.1177/0734282911406653
trastornos del espectro bipolar : Evidencias de validez del Mood Disorder Tu, Y. K. (2009). Commentary: Is structural equation modeling a step forward
Questionnaire en adolescentes y adultos jóvenes. Revista de Psiquiatría for epidemiologist. International Journal of Epidemiology, 38, 1–3.
Y Salud Mental, 9, 4–12. http://doi.org/10.1016/j.rpsm.2015.04.003 Ullman, J. B., y Bentler, P. M. (2013). Structural equation modeling. In S. J.
Hayes, A. (2013). Introduction to mediation, moderation, and conditional A. y W. F. Velicer (Eds.), Handbook of Psychology (pp. 661–690). New
process analysis. New York, NY: Guilford, 3–4. http://doi.org/978-1- York: Hoboken. http://doi.org/10.1016/B978-0-444-53737-9.50010-4
60918-230-4
TERAPIA PSICOLÓGICA 2018, Vol. 36, Nº 1, 47–53
View publication stats
