This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.
When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
#install.packages("lavaan", dependencies = TRUE)
#install.packages("lavaanPLot", dependencies = TRUE)
library(lavaan)
## This is lavaan 0.6-17
## lavaan is FREE software! Please report any bugs.
library(readxlsb)
library(lavaanPlot)
##Instalación de paquetes correpsondientes
#install.packages("lavaanPlot")
##Instalamos archivos
#df <- readxl::read_xls("Datos_SEM_Eng.xlsx")
df <- readxl::read_excel("Datos_SEM_Eng.xlsx")
##Introducción ecuaciones estructurales #Contexto General de la actividad con sus variables #Variables latentes y observadas: En el contexto de las experiencias de recuperación, podríamos tener variables latentes como “Recuperación del estrés laboral” que no pueden ser medidas directamente, pero que se reflejan en variables observadas como “Desapego psicológico”, “Experiencias de relajación”, “Experiencias de dominio” y “Control sobre el tiempo libre”.
#Relaciones causales y correlacionales: Las ecuaciones estructurales permiten modelar tanto relaciones causales como correlacionales entre variables.
#Mediación y moderación: Podríamos utilizar ecuaciones estructurales para examinar si ciertas variables actúan como mediadoras o moderadoras en las relaciones entre otras variables. Por ejemplo, podríamos investigar si el “Desapego psicológico” medía la relación entre el “Control sobre el tiempo libre” y la “Recuperación del estrés laboral”.
#Ajuste del modelo: Las ecuaciones estructurales también implican evaluar qué tan bien se ajustan los datos observados al modelo propuesto. Se utilizan estadísticas de ajuste como el índice de bondad de ajuste para determinar si el modelo es adecuado para explicar las relaciones entre las variables.
##Primera parte - # Lo que se busca con esta actividad es proporcionar una comprensión general de las experiencias de recuperación fuera del horario laboral, que son importantes para contrarrestar el estrés y las presiones laborales. Se identifican cuatro dominios principales de estas experiencias: desapego psicológico, experiencias de relajación, experiencias de dominio y experiencias de control sobre el tiempo libre.
##Modelo #Este chunk de código establece un modelo de ecuaciones estructurales donde las variables latentes de desapego, relajación, maestría y control se forman a partir de varias variables observadas
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 + RMA07 + RMA08 + RMA09 + RMA10
control =~ RCO02 + RCO03 + RCO04 + RCO05 + RCO06 + RCO07
#recuperacion ~ desapego + relajacion + maestria + control
"
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.
##El fit #En este chunk ocupamos cfa, que generalmente se utiliza para el análisis factorial confirmatorio, que es una técnica utilizada para confirmar o refutar una estructura factorial hipotética de un conjunto de variables observadas.El modelo_1 es la especificación del modelo de ecuaciones estructurales que queremos ajustar a los datos. En este caso, es el modelo que definiste anteriormente, que establece las relaciones entre las variables latentes y observadas.Básicamente lo que se bsca es ajustar el modelo y guardarlo para depués generar el análisis.
fit_1=cfa(modelo_1, data=df)
##Visualizaciones # Se genera un gráfico del modelo de ecuaciones estructurales ajustado (fit_1) utilizando el paquete lavaanPlot. La forma en la que se muestra el gráfico LR significa que se presenta en vertical. #Left to right
lavaanPlot(model = fit_1,
node_options = list(shape = "box", fontname = "Helvetica"),
graph_options = list(rankdir = "LR"),
edge_options = list(color = "gray"),
coefs = FALSE)
#En esta parte es exactamente lo mismo solo que cambio la posición con TB se movio a horizontal
lavaanPlot(model = fit_1,
node_options = list(shape = "box", fontname = "Helvetica"),
graph_options = list(rankdir = "TB"),
edge_options = list(color = "gray"),
coefs = FALSE)
#En esta parte se hace el análsis del modelo ya ajustado.
summary(fit_1)
## lavaan 0.6.17 ended normally after 56 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 68
##
## Number of observations 223
##
## Model Test User Model:
##
## Test statistic 1215.404
## Degrees of freedom 428
## 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 1.204 0.081 14.786 0.000
## RPD03 1.143 0.085 13.420 0.000
## RPD05 1.310 0.086 15.269 0.000
## RPD06 1.086 0.088 12.282 0.000
## RPD07 1.227 0.085 14.451 0.000
## RPD08 1.163 0.086 13.487 0.000
## RPD09 1.315 0.087 15.175 0.000
## RPD10 1.345 0.088 15.290 0.000
## relajacion =~
## RRE02 1.000
## RRE03 1.120 0.065 17.268 0.000
## RRE04 1.024 0.058 17.732 0.000
## RRE05 1.055 0.056 18.798 0.000
## RRE06 1.243 0.074 16.857 0.000
## RRE07 1.115 0.071 15.687 0.000
## RRE10 0.815 0.067 12.135 0.000
## maestria =~
## RMA02 1.000
## RMA03 1.155 0.096 12.060 0.000
## RMA04 1.179 0.089 13.267 0.000
## RMA05 1.141 0.087 13.049 0.000
## RMA06 0.647 0.075 8.618 0.000
## RMA07 1.104 0.085 13.050 0.000
## RMA08 1.109 0.085 12.985 0.000
## RMA09 1.030 0.084 12.251 0.000
## RMA10 1.056 0.088 12.039 0.000
## control =~
## RCO02 1.000
## RCO03 0.948 0.049 19.230 0.000
## RCO04 0.795 0.044 18.125 0.000
## RCO05 0.817 0.043 18.981 0.000
## RCO06 0.834 0.046 18.247 0.000
## RCO07 0.834 0.046 18.078 0.000
##
## Covariances:
## Estimate Std.Err z-value P(>|z|)
## desapego ~~
## relajacion 1.155 0.164 7.023 0.000
## maestria 0.696 0.155 4.477 0.000
## control 1.319 0.200 6.584 0.000
## relajacion ~~
## maestria 0.969 0.159 6.085 0.000
## control 1.483 0.195 7.610 0.000
## maestria ~~
## control 1.221 0.202 6.047 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .RPD01 1.168 0.119 9.778 0.000
## .RPD02 1.005 0.109 9.240 0.000
## .RPD03 1.434 0.147 9.728 0.000
## .RPD05 0.989 0.110 8.969 0.000
## .RPD06 1.817 0.182 9.968 0.000
## .RPD07 1.177 0.125 9.391 0.000
## .RPD08 1.454 0.150 9.710 0.000
## .RPD09 1.035 0.115 9.028 0.000
## .RPD10 1.033 0.115 8.956 0.000
## .RRE02 0.624 0.067 9.269 0.000
## .RRE03 0.651 0.072 9.005 0.000
## .RRE04 0.481 0.055 8.798 0.000
## .RRE05 0.373 0.046 8.147 0.000
## .RRE06 0.891 0.097 9.162 0.000
## .RRE07 0.953 0.100 9.511 0.000
## .RRE10 1.136 0.113 10.092 0.000
## .RMA02 1.742 0.175 9.934 0.000
## .RMA03 1.489 0.155 9.581 0.000
## .RMA04 0.854 0.097 8.772 0.000
## .RMA05 0.904 0.101 8.981 0.000
## .RMA06 1.627 0.158 10.279 0.000
## .RMA07 0.846 0.094 8.980 0.000
## .RMA08 0.885 0.098 9.035 0.000
## .RMA09 1.090 0.115 9.496 0.000
## .RMA10 1.258 0.131 9.590 0.000
## .RCO02 0.980 0.105 9.375 0.000
## .RCO03 0.482 0.057 8.379 0.000
## .RCO04 0.463 0.052 8.967 0.000
## .RCO05 0.385 0.045 8.536 0.000
## .RCO06 0.493 0.055 8.915 0.000
## .RCO07 0.516 0.057 8.987 0.000
## desapego 1.925 0.275 7.002 0.000
## relajacion 1.625 0.207 7.845 0.000
## maestria 1.978 0.317 6.241 0.000
## control 2.660 0.335 7.930 0.000
#El estimador y método de optimización: El modelo se ajustó utilizando el estimador de máxima verosimilitud (ML) y el método de optimización NLMINB. #La prueba del modelo (Chi-square) arrojó un valor estadístico significativo, lo que sugiere que el modelo no se ajusta perfectamente a los datos. #El valor de P-value (Chi-square) 0.000 es demasiado bajo lo que indicaría que el modelo no se ajusta bien a los datos. #En este caso los valores p bajos (generalmente por debajo de 0.05) indican que el parámetro es significativamente diferente de cero y, por lo tanto, sugieren que la variable observada es relevante para la variable latente, como tal en todas las variables latentes se muestra relevancia pero en la parte de estimadores es en donde pordemos encontrar más variabilidad y ser más certeros con las variables. En este caso relajacion y control muestran ser variables con una fuerte relación con la latente de desapego. Y a su vez control aplica a ser nua varialbe con mucha relación y fuerza a las latentes de maestría y relajación.
##Resumen #En resumen, estas observaciones apuntan a la importancia de actividades específicas, como la relajación y el control sobre el tiempo libre, en la promoción del desapego psicológico del trabajo y la percepción de maestría y control. Estos hallazgos pueden tener implicaciones importantes para el diseño de intervenciones o programas destinados a mejorar el bienestar laboral y la capacidad de recuperación de los individuos.