#install.packages('lavaanPlot', dependencies = TRUE)
#install.packages("lavaan", dependencies=TRUE)
library(lavaan)
## This is lavaan 0.6-17
## lavaan is FREE software! Please report any bugs.
library(lavaanPlot)
library(readxl)
df= read_xlsx("D:/Datos_SEM_Eng.xlsx")
head(df,5)
## # A tibble: 5 × 51
## ID GEN EXPER EDAD RPD01 RPD02 RPD03 RPD05 RPD06 RPD07 RPD08 RPD09 RPD10
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1 1 22 45 5 1 3 2 3 1 3 2 4
## 2 2 1 22 44 4 4 6 5 3 2 3 4 4
## 3 3 1 30 52 7 7 7 7 7 6 7 7 7
## 4 4 1 17 41 5 5 1 1 3 5 3 2 2
## 5 5 1 23 51 7 6 7 6 7 6 7 6 6
## # ℹ 38 more variables: RRE02 <dbl>, RRE03 <dbl>, RRE04 <dbl>, RRE05 <dbl>,
## # RRE06 <dbl>, RRE07 <dbl>, RRE10 <dbl>, RMA02 <dbl>, RMA03 <dbl>,
## # RMA04 <dbl>, RMA05 <dbl>, RMA06 <dbl>, RMA07 <dbl>, RMA08 <dbl>,
## # RMA09 <dbl>, RMA10 <dbl>, RCO02 <dbl>, RCO03 <dbl>, RCO04 <dbl>,
## # RCO05 <dbl>, RCO06 <dbl>, RCO07 <dbl>, EN01 <dbl>, EN02 <dbl>, EN04 <dbl>,
## # EN05 <dbl>, EN06 <dbl>, EN07 <dbl>, EN08 <dbl>, EVI01 <dbl>, EVI02 <dbl>,
## # EVI03 <dbl>, EDE01 <dbl>, EDE02 <dbl>, EDE03 <dbl>, EAB01 <dbl>, …
Explica brevemente qué es el modelo de ecuaciones estructurales.
Los modelos de ecuaciones entructurales tienen como principal objetivo explicar la relación entre variables que no puedes ser observables, conocidas como latentes,a través de otras variables que sí son observables y medibles.
Esta actividad se enfoca en analizar las experiencias de recuperación y el bienestar de los colaboradores a través del uso de ecuaciones estructurales.
Las variables latentes con las que se cuenta son:
Desapego Psicológico: La sensación de estar libre tanto física como mentalmente del trabajo, evitando actividades laborales como revisar correos electrónicos o contestar llamadas.
Experiencias de Relajación: Actividades que reducen la actividad del sistema nervioso autónomo, fomentando emociones positivas, como la meditación o caminar.
Experiencias de Dominio: Actividades desafiantes que permiten aprender cosas nuevas, como aprender un idioma o un instrumento musical.
Control sobre el Tiempo Libre: La percepción de tener el control sobre cómo y cuándo realizar actividades en el tiempo libre, permitiendo una sensación de propiedad y autonomía.
Con este modelo se busca crear un análisis factorial confirmatorio de segundo orden del constructo de experiencias de recuperación, revisar los índices de ajuste del modelo, repurar el modelo para mejorar el ajuste.
Para la realización del modelo SEM se cuenta con una base de datos que contiene un subconjunto de datos medibles que ayudarán a comprobar su relevancia y relación con las variables latentes. De esta forma sabremos cuales son aquellos factores más relacionados con la latente de relajación.
Incluimos las características del modelo
En este primer chunk definimos las variables latentes: relajación, maestria, control, recuperación. Y las variables medibles que se encuentran dentro de la base de datos, así como el tipo de relación, la cual es causal directa.
modelo_1 <- 'desapego =~ RPD01 + RPD02 + RPD03 + RPD05 + RPD06 + RPD07 + RPD08 + RPD09 + RPD10
relajacion =~ RRE02 + RRE03 + RRE04 + RRE05 + RRE06 + RRE07 + RRE10
maestria =~ RMA02 + RMA03 + RMA04 + RMA05 + RMA06 + RMA06 + RMA07 + RMA08 + RMA09 + RMA10
control =~ RCO02 + RCO03 + RCO04 + RCO05 + RCO06+ RCO07
recuperacion =~ desapego + relajacion + maestria+control
'
En este segundo chunk, se constuye el modelo y se convierte en un data frame.
fit_1 <- cfa(modelo_1, data = df)
Este tercer chunk gráfica el modelo para así poder observar mejor las relaciones y distinguir las Varibales latentes y las variables medibles, cabe resaltar que el parámetro “LR” muestra el diagrama de forma vertical
lavaanPlot(model = fit_1,
node_options = list(shape = "box", fontname = "Helvetica"),
graph_options = list(rankdir = "LR"),
edge_options = list(color = "grey"),
coefs = FALSE)
Este cuarto chunk gráfica el modelo para así poder observar mejor las relaciones y distinguir las Varibales latentes y las variables medibles, cabe resaltar que el parámetro “BT” muestra el diagrama de forma horizontal
lavaanPlot(model = fit_1,
node_options = list(shape = "box", fontname = "Helvetica"),
graph_options = list(randkir = "BT"),
edge_options = list(color = 'grey'),
coefs = FALSE)
Este chunk nos sirve para poder obtener las medidas estadísticas del modelo
summary(fit_1)
## lavaan 0.6.17 ended normally after 47 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 66
##
## Number of observations 223
##
## Model Test User Model:
##
## Test statistic 1221.031
## Degrees of freedom 430
## P-value (Chi-square) 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## desapego =~
## RPD01 1.000
## RPD02 1.206 0.082 14.780 0.000
## RPD03 1.143 0.085 13.374 0.000
## RPD05 1.312 0.086 15.244 0.000
## RPD06 1.088 0.089 12.266 0.000
## RPD07 1.229 0.085 14.440 0.000
## RPD08 1.164 0.087 13.447 0.000
## RPD09 1.317 0.087 15.153 0.000
## RPD10 1.346 0.088 15.258 0.000
## relajacion =~
## RRE02 1.000
## RRE03 1.120 0.065 17.227 0.000
## RRE04 1.025 0.058 17.713 0.000
## RRE05 1.055 0.056 18.758 0.000
## RRE06 1.245 0.074 16.869 0.000
## RRE07 1.117 0.071 15.689 0.000
## RRE10 0.815 0.067 12.120 0.000
## maestria =~
## RMA02 1.000
## RMA03 1.155 0.096 12.079 0.000
## RMA04 1.178 0.089 13.274 0.000
## RMA05 1.141 0.087 13.072 0.000
## RMA06 0.645 0.075 8.597 0.000
## RMA07 1.103 0.084 13.061 0.000
## RMA08 1.109 0.085 12.994 0.000
## RMA09 1.028 0.084 12.246 0.000
## RMA10 1.055 0.088 12.044 0.000
## control =~
## RCO02 1.000
## RCO03 0.948 0.049 19.182 0.000
## RCO04 0.796 0.044 18.110 0.000
## RCO05 0.818 0.043 18.990 0.000
## RCO06 0.834 0.046 18.216 0.000
## RCO07 0.835 0.046 18.057 0.000
## recuperacion =~
## desapego 1.000
## relajacion 1.149 0.131 8.787 0.000
## maestria 0.858 0.129 6.666 0.000
## control 1.341 0.156 8.605 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .RPD01 1.172 0.120 9.782 0.000
## .RPD02 0.999 0.108 9.228 0.000
## .RPD03 1.441 0.148 9.733 0.000
## .RPD05 0.987 0.110 8.964 0.000
## .RPD06 1.817 0.182 9.967 0.000
## .RPD07 1.173 0.125 9.383 0.000
## .RPD08 1.460 0.150 9.714 0.000
## .RPD09 1.032 0.114 9.021 0.000
## .RPD10 1.034 0.115 8.955 0.000
## .RRE02 0.626 0.068 9.274 0.000
## .RRE03 0.653 0.073 9.011 0.000
## .RRE04 0.481 0.055 8.794 0.000
## .RRE05 0.374 0.046 8.153 0.000
## .RRE06 0.886 0.097 9.149 0.000
## .RRE07 0.950 0.100 9.505 0.000
## .RRE10 1.137 0.113 10.093 0.000
## .RMA02 1.740 0.175 9.931 0.000
## .RMA03 1.485 0.155 9.575 0.000
## .RMA04 0.855 0.097 8.772 0.000
## .RMA05 0.899 0.100 8.967 0.000
## .RMA06 1.631 0.159 10.281 0.000
## .RMA07 0.845 0.094 8.977 0.000
## .RMA08 0.886 0.098 9.034 0.000
## .RMA09 1.094 0.115 9.500 0.000
## .RMA10 1.259 0.131 9.590 0.000
## .RCO02 0.983 0.105 9.379 0.000
## .RCO03 0.484 0.058 8.391 0.000
## .RCO04 0.462 0.052 8.963 0.000
## .RCO05 0.382 0.045 8.513 0.000
## .RCO06 0.494 0.055 8.917 0.000
## .RCO07 0.515 0.057 8.985 0.000
## .desapego 0.943 0.152 6.207 0.000
## .relajacion 0.333 0.089 3.757 0.000
## .maestria 1.260 0.212 5.942 0.000
## .control 0.900 0.159 5.666 0.000
## recuperacion 0.978 0.202 4.833 0.000
Dentro de los resultados, se pueden observar diferentes métricas, en donde se puede analizar que la prueba del modelo mostró un estadístico de prueba de 1221.404 con 430 grados de libertad y un valor p asociado de 0.000, lo que indica un buen ajuste del modelo a los datos, ya que se encuentra debajo de un nivel de significancia de 0.05.
De igual forma se muestran las varianzas de las variables latentes, así como los errores de medición de los indicadores observados. Estas varianzas proporcionan información sobre la variabilidad total en cada variable latente, incluyendo tanto la variabilidad explicada por los indicadores observados como la variabilidad no explicada.
En conclusión el análisis indica que el modelo ajustado muestra una buena concordancia con los datos observados, y se proporcionan estimaciones detalladas de las relaciones entre las variables latentes y sus indicadores, lo cual se puede interpretar como que las variables medibles sí se encuentras relacionadas con las latentes.