El Modelado de Ecuaciones Estructurales (SEM, por sus siglas en inglés) es un conjunto diverso de métodos utilizados por científicos para la investigación tanto observacional como experimental. Aunque se emplea predominantemente en las ciencias sociales y del comportamiento, su aplicación se ha extendido a la epidemiología, los negocios y otros campos técnicos.
¿Qué es el SEM?
Por definición estándar, el SEM es una clase de metodologías que busca representar hipótesis sobre las medias, varianzas y covarianzas de los datos observados en términos de un número menor de parámetros "estructurales" definidos por un modelo conceptual o teórico hipotetizado.
En esencia, el SEM implica la creación de un modelo que representa cómo diversos aspectos de un fenómeno se conectan causalmente entre sí. Estos modelos a menudo contienen conexiones causales postuladas entre variables latentes (variables que se cree que existen pero que no pueden observarse directamente, como la inteligencia, una actitud o una enfermedad mental) y conexiones que vinculan estas variables latentes con variables observadas cuyos valores aparecen en un conjunto de datos.
Funcionamiento y Herramientas
Las conexiones causales se representan mediante ecuaciones, aunque también pueden presentarse visualmente a través de diagramas con flechas. Estas estructuras causales implican que deben aparecer patrones específicos entre los valores de las variables observadas, lo que permite utilizar dichas conexiones para estimar la magnitud de los efectos postulados y probar si los datos observados son consistentes con el modelo hipotetizado.
Variaciones del SEM
Dependiendo del estilo de las conexiones causales, las variables observadas y las estrategias de estimación estadística, el conjunto de herramientas de SEM incluye:
- Análisis Factorial Confirmatorio (CFA): Para validar la estructura de las variables latentes.
- Análisis de Rutas (Path Analysis): Para examinar relaciones directas e indirectas entre variables.
- Modelado de Crecimiento Latente: Para analizar cambios a lo largo del tiempo.
- Modelado Multinivel o Jerárquico: Para datos anidados.
- Mínimos Cuadrados Parciales (PLS-SEM): Una alternativa para modelos más complejos o muestras pequeñas.
Los investigadores utilizan programas informáticos para estimar la fuerza y el signo de los coeficientes de las conexiones estructurales. Debido a que un modelo puede no corresponder exactamente a la realidad, estos programas proporcionan pruebas de modelo y pistas diagnósticas para identificar inconsistencias entre el modelo y los datos.
Ventajas y Críticas
Una gran ventaja del SEM es que todas las mediciones y pruebas ocurren simultáneamente en un solo procedimiento de estimación estadística. Esto significa que todos los coeficientes del modelo se calculan utilizando toda la información de las variables observadas, lo que resulta en estimaciones más precisas que si se calculara cada parte del modelo por separado.
Sin embargo, el método no está exento de críticas. Algunas de las principales preocupaciones incluyen:
- El descuido de las pruebas de modelo disponibles.
- Problemas en la especificación del modelo.
- La tendencia a aceptar modelos sin considerar la validez externa.
- Posibles sesgos filosóficos en la interpretación de los datos.
Historia del SEM
El SEM comenzó a diferenciarse de la correlación y la regresión cuando Sewall Wright proporcionó interpretaciones causales explícitas para ecuaciones de estilo regresivo basadas en mecanismos físicos y fisiológicos. Posteriormente, Otis D. Duncan introdujo el SEM en las ciencias sociales en 1975.
El auge del SEM ocurrió entre finales de los 70 y los 80, gracias al aumento de la potencia de cálculo de las computadoras. El desarrollo de programas como LISREL, creado por Karl Jöreskog, fue fundamental al integrar las variables latentes (conocidas en psicología como factores latentes) dentro de las ecuaciones de análisis de rutas, permitiendo el ajuste de errores de medición.
