Conformación de la base
La base original tenía 510 casos. Por sugerencia de Vani, decidimos quedarnos sólo con los casos menores de 18 años (n = 370; 309 casos completos).
La base tiene sólo los puntajes de las dimensiones ya constituidas, y no los ítems. Entiendo que en los modelos SEM se incluyen los ítems para la formación de variables latentes que posteriormente se relacionan. No estoy seguro si se puede poner directamente las medias de los ítems como si fuesen variables observadas (creería que no). De cualquier manera, avanzo con los análisis con esta base para que podamos avanzar en la escritura y podemos definir más adelante si lo hacemos a partir de los ítems o de las medias.
Los análisis los desarrollé en función de las preguntas que me pasó Vani:
- ¿El disfrute total se relaciona con alguna de las variables de consumo (originales o recodificadas) a través del compromiso?
- Si no se logra de manera general, ¿qué variable del disfrute se relaciona y a través de qué variable del compromiso?
- Si no se logra, ¿funciona mejor si en lugar del disfrute incluimos la realización personal?
Pregunta 1
Frecuencia de consumo
model <- '
# regressions
comprtot ~ a*disfrutetot
AUDIT01 ~ cp*disfrutetot
AUDIT01 ~ b*comprtot
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 1 | 1 | 0 | 0 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 1 iteration
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 6
##
## Used Total
## Number of observations 363 370
##
## Model Test User Model:
##
## Test statistic 0.000
## Degrees of freedom 0
##
## Model Test Baseline Model:
##
## Test statistic 453791.396
## Degrees of freedom 3
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000
## Tucker-Lewis Index (TLI) 1.000
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
## P-value H_0: RMSEA <= 0.050 NA
## P-value H_0: RMSEA >= 0.080 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## comprtot ~
## disfruttt (a) 0.688 0.001 554.580 0.000 0.688 0.578
## AUDIT01 ~
## disfruttt (cp) 0.006 0.002 3.339 0.001 0.006 0.040
## comprtot (b) -0.019 0.001 -14.408 0.000 -0.019 -0.157
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .comprtot 48.579 0.093 523.355 0.000 48.579 0.666
## .AUDIT01 1.043 0.053 19.838 0.000 1.043 0.981
## disfrutetot 51.413 0.053 978.205 0.000 51.413 1.000
##
## R-Square:
## Estimate
## comprtot 0.334
## AUDIT01 0.019
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.013 0.001 -14.398 0.000 -0.013 -0.091
## total -0.007 0.001 -7.170 0.000 -0.007 -0.051semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Las estimaciones dan divinas (todas significativas y en el sentido esperado), pero el \(\chi^2\) da 0 y 0 grados de libertad, lo cual no parece correcto. Posiblemente tenga que ver con que no hay variables latentes (al no incluir los ítems, las tres variables se interpretan como variables observadas). Aun así, el efecto directo (\(\beta_{std}\) = 0.04), el efecto indirecto (\(\beta_{std}\) = -0.09) y el efecto total (\(\beta_{std}\) = -0.05) del disfrute sobre el consumo de alcohol es bastante bajo.
Cantidad de consumo
model <- '
# regressions
comprtot ~ a*disfrutetot
AUDIT02 ~ cp*disfrutetot
AUDIT02 ~ b*comprtot
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 1 | 1 | 0 | 0 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 1 iteration
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 6
##
## Used Total
## Number of observations 363 370
##
## Model Test User Model:
##
## Test statistic 0.000
## Degrees of freedom 0
##
## Model Test Baseline Model:
##
## Test statistic 442007.863
## Degrees of freedom 3
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000
## Tucker-Lewis Index (TLI) 1.000
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
## P-value H_0: RMSEA <= 0.050 NA
## P-value H_0: RMSEA >= 0.080 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## comprtot ~
## disfruttt (a) 0.687 0.001 547.843 0.000 0.687 0.573
## AUDIT02 ~
## disfruttt (cp) 0.022 0.002 12.954 0.000 0.022 0.141
## comprtot (b) -0.022 0.001 -16.763 0.000 -0.022 -0.166
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .comprtot 49.141 0.093 530.220 0.000 49.141 0.672
## .AUDIT02 1.229 0.053 23.345 0.000 1.229 0.979
## disfrutetot 50.859 0.053 967.651 0.000 50.859 1.000
##
## R-Square:
## Estimate
## comprtot 0.328
## AUDIT02 0.021
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.015 0.001 -16.739 0.000 -0.015 -0.095
## total 0.007 0.001 6.913 0.000 0.007 0.045semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Sucede lo mismo que con la frecuencia de consumo, todo da divino pero es sospechoso el tema del \(\chi^2\) y los grados de libertad. En este caso, el efecto directo es un poco más elevado(\(\beta_{std}\) = 0.14) y el efecto indirecto se mantiene igual(\(\beta_{std}\) = -0.09), por lo que el efecto total termina siendo positivo (\(\beta_{std}\) = 0.05) aunque sigue siendo bajo.
Frecuencia de consumo excesivo
model <- '
# regressions
comprtot ~ a*disfrutetot
AUDIT03 ~ cp*disfrutetot
AUDIT03 ~ b*comprtot
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | Inf | 1 | 1 | 0 | 0 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 1 iteration
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 6
##
## Used Total
## Number of observations 364 370
##
## Model Test User Model:
##
## Test statistic 0.000
## Degrees of freedom 0
##
## Model Test Baseline Model:
##
## Test statistic 383458.971
## Degrees of freedom 3
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000
## Tucker-Lewis Index (TLI) 1.000
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
## P-value H_0: RMSEA <= 0.050 NA
## P-value H_0: RMSEA >= 0.080 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## comprtot ~
## disfruttt (a) 0.667 0.001 514.946 0.000 0.667 0.555
## AUDIT03 ~
## disfruttt (cp) 0.012 0.002 7.116 0.000 0.012 0.079
## comprtot (b) -0.018 0.001 -14.129 0.000 -0.018 -0.143
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .comprtot 48.729 0.091 537.995 0.000 48.729 0.692
## .AUDIT03 1.135 0.053 21.605 0.000 1.135 0.986
## disfrutetot 48.704 0.052 927.929 0.000 48.704 1.000
##
## R-Square:
## Estimate
## comprtot 0.308
## AUDIT03 0.014
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.012 0.001 -14.116 0.000 -0.012 -0.079
## total -0.000 0.001 -0.001 0.999 -0.000 -0.000semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Seguimos teniendo el mismo problema que en los otros dos casos. Además, el efecto directo tiene el mismo tamaño (\(\beta_{std}\) = 0.08) que el efecto indirecto (\(\beta_{std}\) = -0.08), por lo que el efecto total del disfrute no resultó significativo.
Pregunta 2
Para responder esta pregunta armé los modelos considerando las subdimensiones como variables observadas. Por ejemplo, disfrute está planteada como una variable latente que determina los valores de dos variables observadas (afecto positivo e involucramiento). Esto se acerca más a la utilización de los ítems observados, lo cual probablmeente mejore el problema que veníamos teniendo.
Frecuencia de consumo
model <- '
disfrute =~ afectopositivo + involucramiento
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a*disfrute
AUDIT01 ~ cp*disfrute
AUDIT01 ~ b*compromiso
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 68.888 | 0.992 | 0.987 | 0.433 | 0.035 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 56 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 16
##
## Used Total
## Number of observations 363 370
##
## Model Test User Model:
##
## Test statistic 826.660
## Degrees of freedom 12
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 106645.748
## Degrees of freedom 21
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.992
## Tucker-Lewis Index (TLI) 0.987
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.433
## 90 Percent confidence interval - lower 0.408
## 90 Percent confidence interval - upper 0.458
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.035
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## disfrute =~
## afectopositivo 1.000 2.617 0.779
## involucramient 1.059 0.009 119.430 0.000 2.772 0.548
## compromiso =~
## confianza 1.000 2.059 0.622
## energia 0.935 0.008 112.202 0.000 1.926 0.763
## dedicacion 1.011 0.009 114.606 0.000 2.081 0.781
## entusiasmo 0.772 0.007 104.472 0.000 1.590 0.730
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a) 0.674 0.007 94.320 0.000 0.857 0.857
## AUDIT01 ~
## disfrute (cp) 0.093 0.026 3.503 0.000 0.242 0.235
## compromis (b) -0.176 0.034 -5.233 0.000 -0.362 -0.351
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .afectopositivo 4.435 0.092 48.065 0.000 4.435 0.393
## .involucramient 17.937 0.100 179.355 0.000 17.937 0.700
## .confianza 6.702 0.073 91.544 0.000 6.702 0.613
## .energia 2.660 0.070 37.913 0.000 2.660 0.418
## .dedicacion 2.762 0.074 37.455 0.000 2.762 0.389
## .entusiasmo 2.219 0.064 34.692 0.000 2.219 0.467
## .AUDIT01 1.024 0.054 19.002 0.000 1.024 0.963
## disfrute 6.848 0.076 90.314 0.000 1.000 1.000
## .compromiso 1.126 0.044 25.478 0.000 0.266 0.266
##
## R-Square:
## Estimate
## afectopositivo 0.607
## involucramient 0.300
## confianza 0.387
## energia 0.582
## dedicacion 0.611
## entusiasmo 0.533
## AUDIT01 0.037
## compromiso 0.734
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.118 0.023 -5.201 0.000 -0.310 -0.301
## total -0.026 0.005 -4.905 0.000 -0.068 -0.066semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Efectivamente, los indicadores de bondad de ajuste ya parecen más normales (aunque el RMSEA de bastante mal). Todos los parámetros estimados fueron significativos. Las relaciones del disfrute son más intensas en este formato, especialmente con el compromiso. El efecto directo del disfrute sobre el consumo de alcohol resultó más elevado (\(\beta_{std}\) = 0.24), pero el efecto indirecto también (\(\beta_{std}\) = -0.30), por lo que el efecto total sigue siendo negativo, aunque bajo (\(\beta_{std}\) = -0.07).
En lo que respecta a las subdimensiones, el afecto positivo tiene bastante más peso que el involucramiento al definir la variable latente “disfrute”. Por otro lado, en el compromiso son la dedicación y la energía las variables de más peso, aunque todas presentan una importancia similar.
Cantidad de consumo
model <- '
disfrute =~ afectopositivo + involucramiento
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a*disfrute
AUDIT02 ~ cp*disfrute
AUDIT02 ~ b*compromiso
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 76.272 | 0.991 | 0.985 | 0.456 | 0.041 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 57 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 16
##
## Used Total
## Number of observations 363 370
##
## Model Test User Model:
##
## Test statistic 915.259
## Degrees of freedom 12
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 104458.419
## Degrees of freedom 21
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.991
## Tucker-Lewis Index (TLI) 0.985
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.456
## 90 Percent confidence interval - lower 0.431
## 90 Percent confidence interval - upper 0.481
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.041
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## disfrute =~
## afectopositivo 1.000 2.599 0.775
## involucramient 1.050 0.009 117.979 0.000 2.728 0.541
## compromiso =~
## confianza 1.000 2.052 0.615
## energia 0.945 0.008 111.462 0.000 1.939 0.767
## dedicacion 1.019 0.009 113.725 0.000 2.092 0.784
## entusiasmo 0.768 0.007 103.259 0.000 1.577 0.728
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a) 0.675 0.007 92.575 0.000 0.855 0.855
## AUDIT02 ~
## disfrute (cp) 0.237 0.028 8.467 0.000 0.615 0.549
## compromis (b) -0.310 0.035 -8.800 0.000 -0.636 -0.568
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .afectopositivo 4.504 0.092 48.707 0.000 4.504 0.400
## .involucramient 17.977 0.099 181.742 0.000 17.977 0.707
## .confianza 6.911 0.073 94.352 0.000 6.911 0.621
## .energia 2.635 0.071 37.303 0.000 2.635 0.412
## .dedicacion 2.747 0.074 37.007 0.000 2.747 0.386
## .entusiasmo 2.206 0.064 34.543 0.000 2.206 0.470
## .AUDIT02 1.142 0.058 19.638 0.000 1.142 0.910
## disfrute 6.756 0.076 88.809 0.000 1.000 1.000
## .compromiso 1.130 0.044 25.516 0.000 0.268 0.268
##
## R-Square:
## Estimate
## afectopositivo 0.600
## involucramient 0.293
## confianza 0.379
## energia 0.588
## dedicacion 0.614
## entusiasmo 0.530
## AUDIT02 0.090
## compromiso 0.732
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.209 0.024 -8.604 0.000 -0.544 -0.486
## total 0.027 0.005 5.067 0.000 0.071 0.063semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
El modelo ajusta igual que el anterior (bien en todo menos en RMSEA y con todos los parámentros significaivos). En este caso, la relación directa entre el disfrute y el consumo es bastante más intensa (\(\beta_{std}\) = 0.55) y el efecto indirecto también (\(\beta_{std}\) = -49), aunque no lo suficiente como para lograr que el efecto total del disfrute sobre la cantidad de bebidas por ocasión sea negativo (\(\beta_{std}\) = 0.06).
Frecuencia de consumo excesivo
model <- '
disfrute =~ afectopositivo + involucramiento
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a*disfrute
AUDIT03 ~ cp*disfrute
AUDIT03 ~ b*compromiso
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 81.428 | 0.99 | 0.982 | 0.471 | 0.04 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 63 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 16
##
## Used Total
## Number of observations 364 370
##
## Model Test User Model:
##
## Test statistic 977.140
## Degrees of freedom 12
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 92697.059
## Degrees of freedom 21
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.990
## Tucker-Lewis Index (TLI) 0.982
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.471
## 90 Percent confidence interval - lower 0.446
## 90 Percent confidence interval - upper 0.496
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.040
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## disfrute =~
## afectopositivo 1.000 2.581 0.776
## involucramient 0.999 0.009 110.166 0.000 2.577 0.522
## compromiso =~
## confianza 1.000 2.067 0.622
## energia 0.908 0.009 105.521 0.000 1.877 0.755
## dedicacion 0.987 0.009 107.864 0.000 2.040 0.776
## entusiasmo 0.727 0.007 96.966 0.000 1.503 0.712
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a) 0.674 0.008 86.822 0.000 0.841 0.841
## AUDIT03 ~
## disfrute (cp) 0.132 0.025 5.221 0.000 0.340 0.317
## compromis (b) -0.195 0.031 -6.245 0.000 -0.404 -0.377
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .afectopositivo 4.407 0.096 46.016 0.000 4.407 0.398
## .involucramient 17.697 0.096 185.172 0.000 17.697 0.727
## .confianza 6.780 0.075 90.239 0.000 6.780 0.613
## .energia 2.654 0.070 37.660 0.000 2.654 0.430
## .dedicacion 2.740 0.074 36.825 0.000 2.740 0.397
## .entusiasmo 2.195 0.063 34.640 0.000 2.195 0.493
## .AUDIT03 1.104 0.055 20.217 0.000 1.104 0.958
## disfrute 6.660 0.080 83.133 0.000 1.000 1.000
## .compromiso 1.251 0.047 26.619 0.000 0.293 0.293
##
## R-Square:
## Estimate
## afectopositivo 0.602
## involucramient 0.273
## confianza 0.387
## energia 0.570
## dedicacion 0.603
## entusiasmo 0.507
## AUDIT03 0.042
## compromiso 0.707
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.132 0.021 -6.177 0.000 -0.340 -0.317
## total -0.000 0.006 -0.005 0.996 -0.000 -0.000semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Al igual que en los dos anteriores, el modelo ajusta bien salvo por el RMSEA. Casi todos los parámetros son significativos, a excepción del efecto total del disfrute sobre la frecuencia de CEEA (como pasaba en el modelo sin las subdimensiones). Nuevamente, el efecto directo (\(\beta_{std}\) = 0.32) e indirecto (\(\beta_{std}\) = -0.32) tienen magnitudes similares en direcciones opuestas, por lo que el efecto total resulta no significativo.
Pregunta 3
Dado que la propuesta en la pregunta 2 funcionó mejor, usé el compromiso con sus cuatro dimensiones.
Frecuencia de consumo
model <- '
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a*realizaciónpersonal
AUDIT01 ~ cp*realizaciónpersonal
AUDIT01 ~ b*compromiso
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 23.765 | 0.997 | 0.994 | 0.251 | 0.022 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 48 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 13
##
## Used Total
## Number of observations 362 370
##
## Model Test User Model:
##
## Test statistic 190.122
## Degrees of freedom 8
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 53763.494
## Degrees of freedom 15
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.997
## Tucker-Lewis Index (TLI) 0.994
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.251
## 90 Percent confidence interval - lower 0.221
## 90 Percent confidence interval - upper 0.283
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.022
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso =~
## confianza 1.000 1.951 0.590
## energia 0.958 0.011 88.821 0.000 1.869 0.741
## dedicacion 1.138 0.013 90.720 0.000 2.220 0.834
## entusiasmo 0.823 0.010 85.108 0.000 1.607 0.737
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## rlzcnprsn (a) 0.248 0.002 100.540 0.000 0.127 0.518
## AUDIT01 ~
## rlzcnprsn (cp) -0.065 0.005 -13.242 0.000 -0.065 -0.259
## compromis (b) -0.006 0.011 -0.597 0.551 -0.012 -0.012
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .confianza 7.139 0.077 92.503 0.000 7.139 0.652
## .energia 2.873 0.075 38.418 0.000 2.873 0.451
## .dedicacion 2.158 0.086 24.980 0.000 2.158 0.304
## .entusiasmo 2.175 0.068 31.858 0.000 2.175 0.457
## .AUDIT01 0.990 0.053 18.658 0.000 0.990 0.930
## .compromiso 2.788 0.046 60.567 0.000 0.732 0.732
## realizacnprsnl 16.617 0.053 315.719 0.000 16.617 1.000
##
## R-Square:
## Estimate
## confianza 0.348
## energia 0.549
## dedicacion 0.696
## entusiasmo 0.543
## AUDIT01 0.070
## compromiso 0.268
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.002 0.003 -0.597 0.551 -0.002 -0.006
## total -0.067 0.003 -21.119 0.000 -0.067 -0.265semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
El ajuste funciona más o menos como en los modelos anteriores. Pero me parece que se da un resultado medio paradójico y creería que es, nuevamente, por considerar la realización personal como una variable observada. El compromiso no resulta un predictor significativo del consumo. Más allá de eso, el efecto directo de la realización personal sobre la frecuencia de consumo es moderado (\(\beta_{std}\) = -0.26). El efecto indirecto no resultó significativo, por lo que el efecto total es casi el mismo que el directo (\(\beta_{std}\) = -0.27).
Cantidad de consumo
model <- '
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a*realizaciónpersonal
AUDIT02 ~ cp*realizaciónpersonal
AUDIT02 ~ b*compromiso
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 28.136 | 0.996 | 0.992 | 0.274 | 0.03 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 44 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 13
##
## Used Total
## Number of observations 362 370
##
## Model Test User Model:
##
## Test statistic 225.087
## Degrees of freedom 8
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 53569.107
## Degrees of freedom 15
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.996
## Tucker-Lewis Index (TLI) 0.992
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.274
## 90 Percent confidence interval - lower 0.244
## 90 Percent confidence interval - upper 0.306
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.030
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso =~
## confianza 1.000 1.959 0.587
## energia 0.959 0.011 88.975 0.000 1.879 0.743
## dedicacion 1.135 0.013 90.777 0.000 2.224 0.834
## entusiasmo 0.811 0.010 84.844 0.000 1.590 0.733
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## rlzcnprsn (a) 0.250 0.002 100.558 0.000 0.128 0.518
## AUDIT02 ~
## rlzcnprsn (cp) -0.049 0.005 -9.887 0.000 -0.049 -0.178
## compromis (b) -0.002 0.011 -0.198 0.843 -0.004 -0.004
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .confianza 7.291 0.077 94.174 0.000 7.291 0.655
## .energia 2.863 0.075 38.146 0.000 2.863 0.448
## .dedicacion 2.171 0.087 25.094 0.000 2.171 0.305
## .entusiasmo 2.174 0.068 32.024 0.000 2.174 0.462
## .AUDIT02 1.218 0.053 23.027 0.000 1.218 0.968
## .compromiso 2.808 0.046 60.633 0.000 0.731 0.731
## realizacnprsnl 16.505 0.053 313.595 0.000 16.505 1.000
##
## R-Square:
## Estimate
## confianza 0.345
## energia 0.552
## dedicacion 0.695
## entusiasmo 0.538
## AUDIT02 0.032
## compromiso 0.269
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.001 0.003 -0.198 0.843 -0.001 -0.002
## total -0.050 0.003 -15.571 0.000 -0.050 -0.180semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
El modelo ajusta igual. Prácticamente el mismo resultado que para la frecuencia de consumo.
Frecuencia de consumo excesivo
model <- '
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a*realizaciónpersonal
AUDIT03 ~ cp*realizaciónpersonal
AUDIT03 ~ b*compromiso
# Efecto indirecto y total
ab := a * b
total := cp + ab
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 24.278 | 0.996 | 0.993 | 0.254 | 0.027 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 54 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 13
##
## Used Total
## Number of observations 363 370
##
## Model Test User Model:
##
## Test statistic 194.223
## Degrees of freedom 8
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 48520.263
## Degrees of freedom 15
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.996
## Tucker-Lewis Index (TLI) 0.993
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.254
## 90 Percent confidence interval - lower 0.223
## 90 Percent confidence interval - upper 0.285
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.027
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso =~
## confianza 1.000 1.963 0.590
## energia 0.928 0.011 84.954 0.000 1.822 0.733
## dedicacion 1.108 0.013 86.732 0.000 2.174 0.828
## entusiasmo 0.775 0.010 80.545 0.000 1.521 0.720
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## rlzcnprsn (a) 0.246 0.003 96.598 0.000 0.125 0.504
## AUDIT03 ~
## rlzcnprsn (cp) -0.050 0.005 -10.119 0.000 -0.050 -0.188
## compromis (b) -0.008 0.011 -0.724 0.469 -0.015 -0.014
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .confianza 7.207 0.079 91.240 0.000 7.207 0.652
## .energia 2.858 0.075 38.272 0.000 2.858 0.463
## .dedicacion 2.168 0.087 25.021 0.000 2.168 0.314
## .entusiasmo 2.150 0.067 32.001 0.000 2.150 0.482
## .AUDIT03 1.111 0.053 21.027 0.000 1.111 0.962
## .compromiso 2.873 0.049 58.987 0.000 0.746 0.746
## realizacnprsnl 16.180 0.053 307.841 0.000 16.180 1.000
##
## R-Square:
## Estimate
## confianza 0.348
## energia 0.537
## dedicacion 0.686
## entusiasmo 0.518
## AUDIT03 0.038
## compromiso 0.254
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab -0.002 0.003 -0.724 0.469 -0.002 -0.007
## total -0.052 0.003 -15.977 0.000 -0.052 -0.195semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Prácticamente los mismos resultados que para los dos modelos anteriores.
Propuesta completa
Solo por probar, armé un modelo en el que el disfrute predice el consumo de forma directa y de forma indirecta, tanto a través del compromiso como de la realización personal.
Frecuencia de consumo
model <- '
disfrute =~ afectopositivo + involucramiento
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a1*disfrute
realizaciónpersonal ~ a2*disfrute
AUDIT01 ~ cp*disfrute
AUDIT01 ~ b1*compromiso
AUDIT01 ~ b2*realizaciónpersonal
# Efecto indirecto (compromiso)
ab1 := a1 * b1
# Efecto indirecto (realizacion pers)
ab2 := a2 * b2
# Efecto total
total := cp + ab1 + ab2
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 269.717 | 0.971 | 0.952 | 0.863 | 0.045 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 83 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 19
##
## Used Total
## Number of observations 362 370
##
## Model Test User Model:
##
## Test statistic 4585.183
## Degrees of freedom 17
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 155398.804
## Degrees of freedom 28
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.971
## Tucker-Lewis Index (TLI) 0.952
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.863
## 90 Percent confidence interval - lower 0.842
## 90 Percent confidence interval - upper 0.884
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.045
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## disfrute =~
## afectopositivo 1.000 2.864 0.856
## involucramient 0.825 0.006 142.426 0.000 2.364 0.466
## compromiso =~
## confianza 1.000 1.992 0.602
## energia 0.963 0.008 123.274 0.000 1.918 0.760
## dedicacion 1.066 0.008 127.187 0.000 2.123 0.797
## entusiasmo 0.813 0.007 115.225 0.000 1.619 0.742
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 0.619 0.005 113.950 0.000 0.890 0.890
## realizaciónpersonal ~
## disfrute (a2) 0.783 0.006 140.700 0.000 2.243 0.550
## AUDIT01 ~
## disfrute (cp) 0.162 0.034 4.816 0.000 0.463 0.449
## compromis (b1) -0.201 0.046 -4.425 0.000 -0.401 -0.389
## rlzcnprsn (b2) -0.081 0.005 -15.281 0.000 -0.081 -0.321
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .afectopositivo 2.983 0.091 32.910 0.000 2.983 0.267
## .involucramient 20.106 0.076 265.740 0.000 20.106 0.783
## .confianza 6.979 0.069 100.782 0.000 6.979 0.637
## .energia 2.689 0.068 39.652 0.000 2.689 0.422
## .dedicacion 2.580 0.072 35.820 0.000 2.580 0.364
## .entusiasmo 2.136 0.063 33.952 0.000 2.136 0.449
## .realizacnprsnl 11.588 0.073 158.926 0.000 11.588 0.697
## .AUDIT01 0.949 0.056 16.942 0.000 0.949 0.891
## disfrute 8.202 0.074 111.157 0.000 1.000 1.000
## .compromiso 0.828 0.037 22.565 0.000 0.209 0.209
##
## R-Square:
## Estimate
## afectopositivo 0.733
## involucramient 0.217
## confianza 0.363
## energia 0.578
## dedicacion 0.636
## entusiasmo 0.551
## realizacnprsnl 0.303
## AUDIT01 0.109
## compromiso 0.791
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.125 0.028 -4.410 0.000 -0.357 -0.346
## ab2 -0.064 0.004 -15.133 0.000 -0.183 -0.177
## total -0.027 0.005 -5.373 0.000 -0.076 -0.074semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Los indicadores de bondad de ajuste empeoran, pero siguen siendo aceptables. El efecto directo del disfrute (\(\beta_{std}\) = 0.55) es bastante elevado y positivo. Sin embargo, el efecto indirecto a través del compromiso (\(\beta_{std}\) = -0.35) sumado al efecto indirecto a través de la realización personal (\(\beta_{std}\) = -0.18) permiten contrarrestar esa relación positiva, quedando un efecto total negativo aunque bajo (\(\beta_{std}\) = -0.07).
Cantidad de consumo
model <- '
disfrute =~ afectopositivo + involucramiento
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a1*disfrute
realizaciónpersonal ~ a2*disfrute
AUDIT02 ~ cp*disfrute
AUDIT02 ~ b1*compromiso
AUDIT02 ~ b2*realizaciónpersonal
# Efecto indirecto (compromiso)
ab1 := a1 * b1
# Efecto indirecto (realizacion pers)
ab2 := a2 * b2
# Efecto total
total := cp + ab1 + ab2
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 281.689 | 0.969 | 0.949 | 0.882 | 0.05 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 72 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 19
##
## Used Total
## Number of observations 362 370
##
## Model Test User Model:
##
## Test statistic 4788.716
## Degrees of freedom 17
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 152676.567
## Degrees of freedom 28
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.969
## Tucker-Lewis Index (TLI) 0.949
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.882
## 90 Percent confidence interval - lower 0.861
## 90 Percent confidence interval - upper 0.903
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.050
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## disfrute =~
## afectopositivo 1.000 2.854 0.854
## involucramient 0.810 0.006 140.407 0.000 2.312 0.458
## compromiso =~
## confianza 1.000 1.987 0.596
## energia 0.972 0.008 122.651 0.000 1.931 0.764
## dedicacion 1.073 0.008 126.358 0.000 2.132 0.799
## entusiasmo 0.808 0.007 113.993 0.000 1.605 0.740
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 0.618 0.005 112.568 0.000 0.887 0.887
## realizaciónpersonal ~
## disfrute (a2) 0.788 0.006 139.472 0.000 2.248 0.553
## AUDIT02 ~
## disfrute (cp) 0.319 0.035 9.191 0.000 0.911 0.812
## compromis (b1) -0.378 0.047 -8.035 0.000 -0.752 -0.670
## rlzcnprsn (b2) -0.083 0.005 -15.313 0.000 -0.083 -0.301
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .afectopositivo 3.016 0.091 33.179 0.000 3.016 0.270
## .involucramient 20.141 0.075 269.400 0.000 20.141 0.790
## .confianza 7.181 0.069 103.643 0.000 7.181 0.645
## .energia 2.664 0.068 39.065 0.000 2.664 0.417
## .dedicacion 2.572 0.072 35.531 0.000 2.572 0.361
## .entusiasmo 2.125 0.063 33.823 0.000 2.125 0.452
## .realizacnprsnl 11.451 0.073 156.215 0.000 11.451 0.694
## .AUDIT02 1.056 0.063 16.731 0.000 1.056 0.839
## disfrute 8.145 0.074 109.915 0.000 1.000 1.000
## .compromiso 0.843 0.037 22.986 0.000 0.213 0.213
##
## R-Square:
## Estimate
## afectopositivo 0.730
## involucramient 0.210
## confianza 0.355
## energia 0.583
## dedicacion 0.639
## entusiasmo 0.548
## realizacnprsnl 0.306
## AUDIT02 0.161
## compromiso 0.787
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.234 0.030 -7.920 0.000 -0.667 -0.595
## ab2 -0.065 0.004 -15.115 0.000 -0.187 -0.166
## total 0.020 0.005 4.026 0.000 0.058 0.051semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
El ajuste es parecido al anterior. El disfrute tiene un efecto directo intenso y positivo en la cantidad de tragos por ocasión (\(\beta_{std}\) = 0.81), que se contrarresta con los efectos indirectos negativos del compromiso (\(\beta_{std}\) = -0.60) y la realización personal (\(\beta_{std}\) = -0.17). En este caso, sin embargo, no alcanza para que el efecto total sea negativo (\(\beta_{std}\) = 0.05).
Frecuencia de consumo excesivo
model <- '
disfrute =~ afectopositivo + involucramiento
compromiso =~ confianza + energia + dedicacion + entusiasmo
# regressions
compromiso ~ a1*disfrute
realizaciónpersonal ~ a2*disfrute
AUDIT03 ~ cp*disfrute
AUDIT03 ~ b1*compromiso
AUDIT03 ~ b2*realizaciónpersonal
# Efecto indirecto (compromiso)
ab1 := a1 * b1
# Efecto indirecto (realizacion pers)
ab2 := a2 * b2
# Efecto total
total := cp + ab1 + ab2
'
####Cálculo de parámetros e índices de bondad de ajuste
fit_uls <- sem(model,estimator= "ULS", data = datos)
tabla_ajustes <- data.frame(Estimador="ULS",
"X2/gl"=round(fitmeasures(fit_uls)[c("chisq")]/fitmeasures(fit_uls)[c("df")],3),
"CFI"=round(fitmeasures(fit_uls)[c("cfi")],3),
"TLI"=round(fitmeasures(fit_uls)[c("tli")],3),
"RMSEA"=round(fitmeasures(fit_uls)[c("rmsea")],3),
"SRMR"=round(fitmeasures(fit_uls)[c("srmr")],3))
rownames(tabla_ajustes) <- 1
kable(tabla_ajustes,
"html",
booktabs = T,
align = c("r"),
caption = "Indicadores de ajuste según estimador") %>%
kable_styling(full_width = F,
position = "center", font_size = 12)| Estimador | X2.gl | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|
| ULS | 292.624 | 0.964 | 0.94 | 0.898 | 0.049 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 72 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 19
##
## Used Total
## Number of observations 363 370
##
## Model Test User Model:
##
## Test statistic 4974.613
## Degrees of freedom 17
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 135922.501
## Degrees of freedom 28
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.964
## Tucker-Lewis Index (TLI) 0.940
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.898
## 90 Percent confidence interval - lower 0.877
## 90 Percent confidence interval - upper 0.919
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.049
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## disfrute =~
## afectopositivo 1.000 2.851 0.861
## involucramient 0.753 0.006 130.090 0.000 2.147 0.435
## compromiso =~
## confianza 1.000 1.995 0.600
## energia 0.938 0.008 116.085 0.000 1.870 0.753
## dedicacion 1.044 0.009 119.920 0.000 2.082 0.793
## entusiasmo 0.770 0.007 107.149 0.000 1.536 0.727
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 0.609 0.006 106.284 0.000 0.870 0.870
## realizaciónpersonal ~
## disfrute (a2) 0.768 0.006 130.730 0.000 2.191 0.545
## AUDIT03 ~
## disfrute (cp) 0.185 0.030 6.177 0.000 0.528 0.492
## compromis (b1) -0.221 0.040 -5.544 0.000 -0.442 -0.411
## rlzcnprsn (b2) -0.072 0.005 -13.152 0.000 -0.072 -0.268
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .afectopositivo 2.840 0.094 30.118 0.000 2.840 0.259
## .involucramient 19.794 0.073 272.773 0.000 19.794 0.811
## .confianza 7.079 0.071 100.201 0.000 7.079 0.640
## .energia 2.678 0.068 39.349 0.000 2.678 0.434
## .dedicacion 2.560 0.073 35.238 0.000 2.560 0.371
## .entusiasmo 2.104 0.062 33.679 0.000 2.104 0.471
## .realizacnprsnl 11.381 0.074 154.740 0.000 11.381 0.703
## .AUDIT03 1.049 0.057 18.492 0.000 1.049 0.908
## disfrute 8.128 0.078 103.802 0.000 1.000 1.000
## .compromiso 0.969 0.039 25.102 0.000 0.243 0.243
##
## R-Square:
## Estimate
## afectopositivo 0.741
## involucramient 0.189
## confianza 0.360
## energia 0.566
## dedicacion 0.629
## entusiasmo 0.529
## realizacnprsnl 0.297
## AUDIT03 0.092
## compromiso 0.757
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.135 0.024 -5.510 0.000 -0.384 -0.357
## ab2 -0.055 0.004 -13.030 0.000 -0.157 -0.146
## total -0.004 0.005 -0.836 0.403 -0.012 -0.011semPaths(# Argumentos globales
fit_uls, what="diagram", whatLabels="std",layout="tree3", rotation = 2, width=50, height=35,exoVar = F,
residuals=F,
# Etiquetas
node.width = 2,
label.cex=1,
edge.label.cex = 1,
# Forma de las flechas
asize=2,curvePivot=T,
# Color
border.color = "#BFB29E", edge.color = "#BFB29E", edge.label.bg = "#141415", title.color = "#BFB29E", label.color="#BFB29E",bg="transparent", trans=T, vTrans=0
)
Similares resultados que la frecuencia de consumo. El disfrute tiene un efecto directo moderado y positivo en la cantidad de tragos por ocasión (\(\beta_{std}\) = 0.49), que se contrarresta con los efectos indirectos negativos del compromiso (\(\beta_{std}\) = -0.36) y la realización personal (\(\beta_{std}\) = -0.15). Acá el efecto total vuelve a quedar negativo pero bajo (\(\beta_{std}\) = -0.01).
Conclusion
Lo más importante es probar estos modelos partiendo de los ítems y no de las dimensiones. Sin embargo, creo que con estas pruebas ya hay cositas para decir:
- En todas las pruebas, el disfrute se relacionó positivamente con el consumo.
- Cuando el efecto total no fue positivo, se debió al efecto indirecto a través de las otras variables.
- En los modelos con las subdimensiones, también hay bastante para decir respecto a cuales tienen más peso en la construcción de las latentes.
Si tuviese que elegir a partir de la información que tenemos hasta acá, probaría el modelo completo, partiendo de los ítems. Nos puede dar mucha información y todas parecen variables relevantes.