1. * El "ANALISIS FACTORIAL", el análisis de caminos y la regresión lineal representan casos especiales del MODELO DE ECUACIONES ESTRUCTURALES (SEM).
2. * ANALISIS FACTORIAL. Es una técnica de reducción de la dimensionalidad de los datos. Su propósito último consiste en buscar el número mínimo de dimensiones capaces de explicar el máximo de información contenida en los datos.
2.1. * Existen 2 tipos de Analisis Factorial
2.1.1. * Exploratorio (AFE)
2.1.1.1. * El Análisis Factorial Exploratorio (AFE) Exploratory Factor Analysis; EFA es una técnica estadística que permite explorar con mayor precisión las dimensiones subyacentes, constructos (entidad hipotética que resulta difícil de definir en el marco de una teoría científica) o variables latentes de las variables observadas, es decir, las que observa y mide el investigador.
2.1.1.1.1. * Estándares para la aplicación de AFE.
2.1.2. * Confirmatorio (AFC)
2.1.2.1. * El análisis factorial confirmatorio, AFC, trata de determinar si el número de factores obtenidos y sus cargas se corresponden con los que cabría esperar a la luz de una teoría previa acerca de los datos. La hipótesis a priori es que existen unos determinados factores preestablecidos y que cada uno de ellos está asociado con un determinado subconjunto de las variables. El análisis factorial confirmatorio entonces arroja un nivel de confianza para poder aceptar o rechazar dicha hipótesis.
2.1.2.1.1. * El análisis factorial es el método más aplicado para obtener evidencias sobre validez de constructo, dado que informa sobre la estructura interna de los instrumen-tos de medida (Zumbo, 2007).
2.1.2.1.2. * De tal forma que; en el Análisis Factorial Confirmatorio (AFC) inicialmente se especifica e identifica el modelo.
2.1.2.1.3. * Tras la selección de datos, se estiman los parámetros y, a continuación, se evalúa el ajuste del modelo.
2.1.2.1.4. * Si el mo-delo presenta un ajuste adecuado, se podrá utilizar para evaluar e interpretar los parámetros.
2.1.2.1.5. * En caso contrario, se modificará el modelo y de nuevo se iniciará el proce-so (Batista y Coenders, 2000; Barbero, Vila y Holgado, 2011; Catena, Ramos y Trujillo, 2003; Fadlelmula, 2011).
2.1.2.1.6. * El modelo se suele representar en un diagrama de flujos (path diagram), acorde con su especificación.
2.1.2.1.7. * Etapas del AFC.
2.2. * A la hora de llevar a cabo un trabajo de investigación
2.2.1. * El investigador dispone, generalmente, de numerosas variables medidas u observadas en una muestra de sujeto y pretende estudiarlas conjuntamente. Se encuentra ante una diversidad de técnicas a utilizar y debe seleccionar aquella que considere más adecuada en función de los objetivos de la investigación, del tipo de datos con los que cuenta y de si el análisis se refiere al estudio de la relación entre variables o entre los casos (los sujetos).
2.2.1.1. * Métododos de distinción
2.2.1.1.1. * Métodos descriptivos o exploratorios: éstos métodos se utiliza cuando el investigador se aproxima a Datos sin ninguna hipótesis previa, el objetivo es observar la realidad para obtener nuevos conocimientos.
2.2.1.1.2. * Métodos explicativos o confirmativos: en estos métodos se parte de una hipótesis previas basadas en un marco teórico. El investigador se acerca a los datos con el objetivo de validar empíricamente dichas hipótesis.
3. * DEFINICIÓN. Es una técnica estadística multivariante para probar y estimar las relaciones causales a partir de datos estadísticos y suposiciones cualitativas sobre la causalidad.Esta técnica combina el análisis factorial con la regresión lineal para evaluar el grado de ajuste de unos datos observados en un modelo hipotetizado y expresado mediante Un diagrama de senderos.
3.1. * Se caracterizan por dos elementos principales
3.1.1. * El primero, evaluar las relaciones de dependencia tanto múltiple como cruzadas.
3.1.2. * El segundo, el grado para representar conceptos no observados en estas relaciones y tener en cuenta el error de medida en el proceso de estimación.
3.2. * ¿Para que sirven las ecuaciones estructurales?
3.2.1. * En la dirección de empresas explican fenómenos mediante diferentes técnicas de análisis como el "analisis inferencial" y el "análisis multivariables".
3.2.2. * Mediantes técnicas inferenciales multivariable clasicas: ANOVA, regresión múltiple, modelos logísticos (logit,probit) permiten explicar fenómenos sencillos.
3.2.3. * Mediantes modelos de ecuaciones estructurales cuando existe interrelación entre las variables para el caso de fenómenos complejos.
3.3. * Objetivos del análisis SEM.
3.3.1. * Entender los pasos para construir un modelo de investigación con interrelaciones de casualidad.
3.3.2. * Ser capaz de construir e interpretar diagramas causales SEM.
3.3.3. * Ser capaz de utilizar diferentes programas (EQS, PLS, AMOS, Etc) para estimar SEM.
3.4. * Fases del modelo SEM.
3.4.1. * La especificación.
3.4.1.1. * Es la fase en donde el investigador establece la relación hipotética entre las variables latentes y las observadas, la misma que con el análisis se obtendrán las relaciones correctas.
3.4.2. * Identificación.
3.4.2.1. * Se estiman los parámetros del modelo. Se determina si un modelo está identificado mediante una expresión algebraica que lo demuestre, en función de las varianzas y covarianzas muestrales.
3.4.3. * Estimación de parámetros.
3.4.3.1. * En esta fase se determinan los valores de los parámetros desconocidos así como su respectivo error de medición para lo que se utilizan diversos programas computacionales como el LISREL, el AMOS y el EQS.
3.4.4. * Evaluación del ajuste.
3.4.4.1. * La evaluación o bondad de ajuste se refiere a la exactitud en los datos del modelo para determinar si es correcto y sirve para los propósitos del investigador.Las medidas de calidad del ajuste pueden ser de tres tipos: (1) medidas absolutas del ajuste,(2) medidas del ajuste incremental,(3) medidas del ajuste de parsimonia.
3.4.5. * Reespecificación del modelo.
3.4.5.1. * Ayuda al investigador a saber si el primer modelo obtenido es el mejor, para lo que es necesario buscar métodos para mejorar el ajuste del mismo añadiendo o eliminando los parámetros estimados del modelo original, con sus justificaciones correspondientes. Para tal caso, el valor del índice de modificación corresponde a la reducción del valor de chi-cuadrado, el cual se sugiere en un mínimo de 3,84 para ser significativa 18.
3.4.6. * La interpretación de los resultados lo conforman.
3.4.6.1. * Ayuda al investigador a establecer el modelo correcto y la aceptación o rechazo de las hipótesis, concluyendo con su investigación.