Path analysis:

Dámaris Collao

Profesor Benito Arias.

2. Escriba la sintaxis para realizar el modelo

Observed variables: LOGR INGR HABI ASPICovariance Matrix25.50020.500 38.10022.480 24.200 42.75016.275 13.600 13.500 17.000Sample size is 100Relationships: ASPI = INGR HABILOGR = INGR HABI ASPIPath diagramEnd of problem

3. Resultados: Ecuaciones estructurales obtenidas

StructuralEquations

LOGR = 0.65*ASPI + 0.16*INGR + 0.23*HABI, Errorvar.= 6.51 , R² = 0.74

(0.077) (0.056) (0.051) (0.93) 8.37 2.89 4.50 6.96

ASPI = 0.24*INGR + 0.18*HABI, Errorvar.= 11.28, R² = 0.34 (0.069) (0.065) (1.62) 3.54 2.72 6.96

Reduced Form Equations

LOGR = 0.32*INGR + 0.35*HABI, Errorvar.=11.20, R² = 0.56 (0.069) (0.065) 4.63 5.32

ASPI = 0.24*INGR + 0.18*HABI, Errorvar.= 11.28, R² = 0.34 (0.069) (0.065) 3.54 2.72

4 Dibuje el modelo con los parámetros estimados por el análisis:

5. Interpretación de resultadosAl analizar los datos se ve que chi-cuadrado presenta valores iguales a 0,000 este parámetro muestra que el modelo sería aceptable, pero al profundizar un poco más en los resultados vemos que los grados de libertad son iguales a 0 lo implica que el modelo no tendría validez científica.

Practica 2:

2. Escribe la sintaxis para estimar el modelo:

Observed Variables: X1 X2 Y1 Y2correlation matrix:1.0000.437 1.0000.212 0.187 1.0000.381 0.018 0.424 1.000sample size is 150relationships:equationsY2 = X1 X2 Y1Y1 = X1 X2number of decimals = 3path diagramprint residualend of problem

3. Ecuaciones estructurales obtenidas:

StructuralEquations

Y1 = 0.161*X1 + 0.117*X2, Errorvar.= 0.944 , R² = 0.0559 (0.0891) (0.0891) (0.110) 1.807 1.309 8.573

Y2 = 0.382*Y1 + 0.400*X1 - 0.228*X2, Errorvar.= 0.690 , R² = 0.310 (0.0705) (0.0770) (0.0766) (0.0805) 5.417 5.191 -2.977 8.573

Reduced Form Equations

Y1 = 0.161*X1 + 0.117*X2, Errorvar.=0.944, R² = 0.0559 (0.0891) (0.0891) 1.807 1.309

Y2 = 0.461*X1 - 0.184*X2, Errorvar.= 0.828, R² = 0.172 (0.0834) (0.0834) 5.529 -2.200

4. Dibuje el modelo con los parámetros estandarizados estimados por el análisis:

5. ¿Es alguno de los parámetros no significativo? En caso afirmativo, reespecifique el modelo fijando a cero el parámetro no significativo y dibuje el modelo con los parámetros estimados tras el análisis:

Los parámetros se pueden observar en el siguiente gráfico.

Es necesario modificar la sintaxis fijando a 0 la relación entre X1-Y1 y X2-yY1.

Observed Variables: X1 X2 Y1 Y2correlation matrix: 1.000 0.437 1.000 0.212 0.187 1.000 0.381 0.018 0.424 1.000sample size is 150relationships:equations Y2 = X1 X2 Y1 Y1 = 0*X1 0*X2number of decimals = 3path diagramLisrel output= SC MI ND=2 EFprint residualend of problem

Se puede observar que al modificar los parámetros X1 y X2 no tienen relación con Y1.

En el primer modelo sin rectificar chi-cuadrado daba 0,000, al cambiar los parámetros el chi-cuadrado da 8.34. El primer modelo sin rectificar no presentaba grados de libertad y con la rectificación presenta 2 grados de libertad. El RMSEA es superior a 0.1 lo que indicaría que le modelo debe ser rechazado

Práctica 3:

1. Escribir la sintaxis para cada modelo con el diagrama:

a) Modelo Inicial:

Observed variables: CONDUCTP COGNITIV HYPERACT DEPRESSI SUICIDALcorrelation matrix1.0000.426 1.0000.435 0.590 1.0000.400 0.522 0.394 1.0000.327 0.337 0.266 0.546 1.000Sample size: 788relationshipsDEPRESSI = CONDUCTPDEPRESSI = COGNITIVDEPRESSI = HYPERACTSUICIDAL = DEPRESSIpath diagramlisrel output= SC MI ND=2 EFend of problem

Modelo inicial:

b) Modelo Saturado

Observed variables: CONDUCTP COGNITIV HYPERACT DEPRESSI SUICIDALcorrelation matrix1.0000.426 1.0000.435 0.590 1.0000.400 0.522 0.394 1.0000.327 0.337 0.286 0.546 1.000sample size: 788relationshipsDEPRESSI = CONDUCTPDEPRESSI = COGNITIVDEPRESSI = HYPERACTSUICIDAL = CONDUCTPSUICIDAL = COGNITIV SUICIDAL = HYPERACTSUICIDAL = DEPRESSIpath diagramlisrel output= SC MI ND=2 EFend of problem

ModeloSaturado:

c) Modelo final:

observed variables: CONDUCTP COGNITIV HYPERACT DEPRESSI SUICIDALcorrelation matrix1.0000.426 1.000 0.435 0.590 1.0000.400 0.522 0.394 1.0000.327 0.337 0.286 0.546 1.000sample size: 788relationshipsDEPRESSI = CONDUCTPDEPRESSI = COGNITIVDEPRESSI = HYPERACTSUICIDAL = CONDUCTPSUICIDAL = DEPRESSIpath diagramlisrel output= SC MI ND=2 EFend of problem

modelo final

2. Comparar la diferencia entre modelo inicial y final:

X2 Grados Libertad

Modelo Inicial

17,75 3

Modelo Final 2,05 2

15,7 1

El valor inicial de Chi-cuadrado es 17,75 tras la rectificación del modelo podemos observar como las nuevas relaciones que se han establecido entre las variables mejora con una puntuación de 2.05, siendo baja lo cual es favorable para el modelo. Los grados de libertad han disminuido a 1, lo que indica que existe una relación menos que descubrir.

3. ¿Qué efectos directos, indirectos y totales tienen las tres variables predictoras sobre las ideas de suicidio de acuerdo con el modelo 3? ¿son estadísticamente significativos dichos efectos?

Variable predictora

Efecto directo Efecto indirecto Efecto total

DEPRESSI 0.490 0 0.490HYPERACT 0 0.039 0.039COGNITIV 0 0.191 0.191CONDUCTP 0.13 0.098 0.228

La variable predictora que mayor efecto tiene sobre el suicidio es la DEPRESSI. En un primer momento al ver que la variable CONDUCTP tenía tanto efectos indirectos como directos podría haberse considerado como la más influyente, pero DEPRESSI es la que influye más en el modelo.

4. ¿Qué porcentaje de varianza en DEPRESSI viene explicada conjuntamente por CONDUCTP, COGNITV Y HYPERACT? ¿Qué porcentaje de varianza en SUICIDAL viene explicado conjuntamente por CONDUCTP, COGNITIV, HYPERACT Y DEPRESSI?

La varianza de DEPRESSI se explica en un 67% por la varianza de CONDUCTP, COGNITIV y HYPERACT y la varianza de SUICIDAL se explica en un 62% por la varianza de CONDUCTP, COGNITIV, HYPERACT y DEPRESSI conjuntamente

5. Dibuje el modelo con los parámetros estandarizados estimados:

6. ¿Qué crítica se podrían hacer a este artículo desde el punto de vista metodológico?

El modelo final es el más significativo y que responde de mejor forma al estudio propuesto, considerando que la variable hiperactividad no tiene una influencia estadística lo suficientemente significativa como para ser causa del suicidio.

Es importante considerar que:

P= 0.359 lo que indica que existe una buena normalidad entre los datos.

- Los indicies de bondad de ajuste CFI y TLI dan 1,000 siendo muy significativos.- Además el RMSEA= 0,0055y el SMRM= 0,011 debiese ser más bajo ya que para ser

considerados aceptables han de ser menores que 0,08.