Conformación de la base
La base original tenía 779 casos. Por sugerencia de Vani, decidimos quedarnos sólo con los casos menores de 18 años (n = 639). Eso es considerando todos los casos de la base de Nacho. Si eliminamos quienes reportaron una actividad favorita distinta a la físico-deportiva, la base termina siendo de 475 casos.
Fui directo a la propuesta completa, tanto para cada ítem del audit por separado como en conjunto (creando un factor latente). No tenía en claro si los ítems 3, 9 y 10 de la EDID en la base de Vani estaban invertidos o no, así que los hice de ambas maneras.
Frecuencia de consumo
Sin invertir los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
audit01 ~ cp*disfrute
audit01 ~ b1*compromiso
audit01 ~ b2*realpers
# 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)## Warning in lav_samplestats_from_data(lavdata = lavdata, lavoptions = lavoptions, : lavaan WARNING: number of observations (362) too small to compute Gammatabla_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 | 2.038 | 0.928 | 0.923 | 0.054 | 0.069 |
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 90
##
## Used Total
## Number of observations 362 475
##
## Model Test User Model:
##
## Test statistic 1488.003
## Degrees of freedom 730
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 11349.831
## Degrees of freedom 780
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.928
## Tucker-Lewis Index (TLI) 0.923
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.054
## 90 Percent confidence interval - lower 0.050
## 90 Percent confidence interval - upper 0.058
## P-value H_0: RMSEA <= 0.050 0.063
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.069
##
## 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
## afectopos =~
## edid02 1.000 0.356 0.614
## edid05 0.869 0.087 9.965 0.000 0.309 0.609
## edid07 1.346 0.112 12.060 0.000 0.479 0.676
## edid08 1.175 0.102 11.485 0.000 0.418 0.710
## edid12 1.072 0.097 11.053 0.000 0.381 0.710
## edid15 1.146 0.101 11.370 0.000 0.408 0.526
## edid16 0.832 0.086 9.728 0.000 0.296 0.562
## edid17 1.026 0.095 10.836 0.000 0.365 0.464
## involucramiento =~
## edid01 1.000 0.451 0.609
## edid03 0.287 0.055 5.250 0.000 0.129 0.107
## edid04 1.337 0.092 14.507 0.000 0.602 0.730
## edid06 1.173 0.085 13.872 0.000 0.529 0.617
## edid09 0.083 0.052 1.578 0.115 0.037 0.027
## edid10 -0.002 0.052 -0.047 0.963 -0.001 -0.001
## edid11 1.312 0.091 14.421 0.000 0.591 0.697
## edid13 1.066 0.080 13.354 0.000 0.480 0.475
## edid14 1.342 0.092 14.524 0.000 0.605 0.639
## disfrute =~
## afectopos 1.000 0.878 0.878
## involucramient 1.143 0.101 11.282 0.000 0.792 0.792
## confianza =~
## aeq01 1.000 0.643 0.674
## aeq05 1.314 0.071 18.471 0.000 0.845 0.822
## aeq09 1.189 0.066 17.998 0.000 0.765 0.747
## aeq13 1.221 0.067 18.134 0.000 0.785 0.766
## vigor =~
## aeq02 1.000 0.542 0.678
## aeq06 1.031 0.065 15.966 0.000 0.558 0.678
## aeq10 1.112 0.068 16.456 0.000 0.602 0.759
## aeq14 0.950 0.062 15.398 0.000 0.515 0.608
## dedicacion =~
## aeq03 1.000 0.607 0.727
## aeq07 0.903 0.052 17.296 0.000 0.548 0.663
## aeq11 1.079 0.058 18.675 0.000 0.654 0.719
## aeq15 0.904 0.052 17.306 0.000 0.548 0.668
## entusiasmo =~
## aeq04 1.000 0.492 0.699
## aeq08 1.185 0.083 14.250 0.000 0.583 0.796
## aeq12 1.065 0.078 13.687 0.000 0.524 0.758
## aeq16 0.737 0.065 11.367 0.000 0.362 0.617
## compromiso =~
## confianza 1.000 0.667 0.667
## vigor 1.093 0.072 15.248 0.000 0.865 0.865
## dedicacion 1.287 0.079 16.199 0.000 0.910 0.910
## entusiasmo 0.906 0.065 13.989 0.000 0.791 0.791
## realpers =~
## esar01 1.000 0.551 0.813
## esar02 0.783 0.056 13.880 0.000 0.431 0.629
## esar03 0.758 0.056 13.623 0.000 0.417 0.667
## esar04 1.651 0.091 18.233 0.000 0.909 0.805
## esar05 1.530 0.085 17.968 0.000 0.843 0.747
## esar06 1.462 0.082 17.788 0.000 0.806 0.662
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.210 0.103 11.693 0.000 0.881 0.881
## realpers ~
## disfrute (a2) 1.184 0.099 11.917 0.000 0.671 0.671
## audit01 ~
## disfrute (cp) -0.093 0.725 -0.128 0.898 -0.029 -0.028
## compromis (b1) -0.185 0.442 -0.418 0.676 -0.079 -0.077
## realpers (b2) -0.152 0.132 -1.151 0.250 -0.084 -0.081
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.209 0.056 3.761 0.000 0.209 0.623
## .edid05 0.162 0.055 2.959 0.003 0.162 0.629
## .edid07 0.272 0.059 4.621 0.000 0.272 0.542
## .edid08 0.172 0.057 3.009 0.003 0.172 0.495
## .edid12 0.143 0.056 2.550 0.011 0.143 0.496
## .edid15 0.434 0.057 7.650 0.000 0.434 0.723
## .edid16 0.190 0.055 3.475 0.001 0.190 0.684
## .edid17 0.486 0.056 8.715 0.000 0.486 0.785
## .edid01 0.344 0.057 6.000 0.000 0.344 0.629
## .edid03 1.444 0.053 27.254 0.000 1.444 0.989
## .edid04 0.318 0.062 5.165 0.000 0.318 0.467
## .edid06 0.455 0.059 7.673 0.000 0.455 0.620
## .edid09 1.910 0.053 36.275 0.000 1.910 0.999
## .edid10 1.979 0.053 37.598 0.000 1.979 1.000
## .edid11 0.369 0.061 6.022 0.000 0.369 0.514
## .edid13 0.793 0.058 13.663 0.000 0.793 0.774
## .edid14 0.529 0.062 8.565 0.000 0.529 0.591
## .aeq01 0.498 0.063 7.911 0.000 0.498 0.546
## .aeq05 0.342 0.072 4.746 0.000 0.342 0.324
## .aeq09 0.463 0.068 6.810 0.000 0.463 0.442
## .aeq13 0.434 0.069 6.290 0.000 0.434 0.413
## .aeq02 0.344 0.061 5.652 0.000 0.344 0.540
## .aeq06 0.367 0.062 5.954 0.000 0.367 0.541
## .aeq10 0.267 0.064 4.197 0.000 0.267 0.424
## .aeq14 0.452 0.060 7.540 0.000 0.452 0.630
## .aeq03 0.329 0.062 5.265 0.000 0.329 0.472
## .aeq07 0.384 0.060 6.379 0.000 0.384 0.561
## .aeq11 0.400 0.065 6.184 0.000 0.400 0.483
## .aeq15 0.373 0.060 6.207 0.000 0.373 0.554
## .aeq04 0.253 0.061 4.158 0.000 0.253 0.512
## .aeq08 0.197 0.066 2.979 0.003 0.197 0.367
## .aeq12 0.204 0.063 3.256 0.001 0.204 0.426
## .aeq16 0.214 0.056 3.784 0.000 0.214 0.619
## .esar01 0.155 0.059 2.621 0.009 0.155 0.338
## .esar02 0.284 0.057 5.026 0.000 0.284 0.605
## .esar03 0.218 0.056 3.869 0.000 0.218 0.556
## .esar04 0.449 0.073 6.151 0.000 0.449 0.352
## .esar05 0.564 0.070 8.102 0.000 0.564 0.442
## .esar06 0.831 0.068 12.249 0.000 0.831 0.562
## .audit01 1.036 0.053 19.504 0.000 1.036 0.972
## .afectopos 0.029 0.011 2.708 0.007 0.230 0.230
## .involucramient 0.076 0.013 5.624 0.000 0.373 0.373
## disfrute 0.098 0.013 7.392 0.000 1.000 1.000
## .confianza 0.230 0.024 9.386 0.000 0.555 0.555
## .vigor 0.074 0.024 3.082 0.002 0.252 0.252
## .dedicacion 0.063 0.027 2.320 0.020 0.172 0.172
## .entusiasmo 0.091 0.025 3.694 0.000 0.375 0.375
## .compromiso 0.041 0.008 4.906 0.000 0.224 0.224
## .realpers 0.167 0.018 9.370 0.000 0.549 0.549
##
## R-Square:
## Estimate
## edid02 0.377
## edid05 0.371
## edid07 0.458
## edid08 0.505
## edid12 0.504
## edid15 0.277
## edid16 0.316
## edid17 0.215
## edid01 0.371
## edid03 0.011
## edid04 0.533
## edid06 0.380
## edid09 0.001
## edid10 0.000
## edid11 0.486
## edid13 0.226
## edid14 0.409
## aeq01 0.454
## aeq05 0.676
## aeq09 0.558
## aeq13 0.587
## aeq02 0.460
## aeq06 0.459
## aeq10 0.576
## aeq14 0.370
## aeq03 0.528
## aeq07 0.439
## aeq11 0.517
## aeq15 0.446
## aeq04 0.488
## aeq08 0.633
## aeq12 0.574
## aeq16 0.381
## esar01 0.662
## esar02 0.395
## esar03 0.444
## esar04 0.648
## esar05 0.558
## esar06 0.438
## audit01 0.028
## afectopos 0.770
## involucramient 0.627
## confianza 0.445
## vigor 0.748
## dedicacion 0.828
## entusiasmo 0.625
## compromiso 0.776
## realpers 0.451
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.224 0.535 -0.418 0.676 -0.070 -0.068
## ab2 -0.180 0.157 -1.150 0.250 -0.056 -0.055
## total -0.497 0.124 -4.009 0.000 -0.155 -0.150semPaths(# Argumentos globales
fit_uls, what="std", 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,
residuals = F
)
El ajuste general del modelo es aceptable. En la composición de las latentes, los ítems 9 y 10 de la EDID (involucramiento) no fueron significativo, aunque el 3 también tiene una carga factorial muy bajita. A diferencia de lo que veíamos antes, ambos aspectos tienen igual importancia en la composición del disfrute. Respecto al compromiso, también tienen importancias parecidas las 4 subdimensiones, aunque confianza aparece un poco por debajo que las demás. Al analizar los efectos, se da una situación compleja: ni el efecto directo (\(\beta_{std}\) = -0.03) ni el indirecto a través del compromiso (\(\beta_{std}\) = -0.07) o de la realización personal (\(\beta_{std}\) = -0.06) resultaron significativos, pero sí el efecto total (i.e., la suma de los tres; \(\beta_{std}\) = -0.15). Puede que esto se deba a la colinealidad entre los tres predictores.
latentes <- as.data.frame(lavPredict(fit_uls))
latentes$audit01 <- datos$audit01[!is.na(rowMeans(datos[,c(15:54)]))]
latentes %>%
lm(audit01~disfrute,.) %>%
summary()##
## Call:
## lm(formula = audit01 ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.675 -1.114 -0.133 0.751 2.782
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.29249 0.05369 24.072 < 2e-16 ***
## disfrute -0.54255 0.18549 -2.925 0.00366 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.021 on 360 degrees of freedom
## Multiple R-squared: 0.02321, Adjusted R-squared: 0.0205
## F-statistic: 8.555 on 1 and 360 DF, p-value: 0.003664latentes %>%
lm(audit01~compromiso,.) %>%
summary()##
## Call:
## lm(formula = audit01 ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.8731 -1.1031 -0.1226 0.7265 2.7827
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.29283 0.05369 24.081 < 2e-16 ***
## compromiso -0.39449 0.13393 -2.945 0.00343 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.021 on 360 degrees of freedom
## Multiple R-squared: 0.02353, Adjusted R-squared: 0.02082
## F-statistic: 8.676 on 1 and 360 DF, p-value: 0.003435latentes %>%
lm(audit01~realpers,.) %>%
summary()##
## Call:
## lm(formula = audit01 ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7111 -1.0795 -0.1195 0.7415 2.9070
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.29250 0.05361 24.110 < 2e-16 ***
## realpers -0.33224 0.10659 -3.117 0.00197 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.02 on 360 degrees of freedom
## Multiple R-squared: 0.02628, Adjusted R-squared: 0.02357
## F-statistic: 9.716 on 1 and 360 DF, p-value: 0.001974Efectivamente, si analizamos las tres variables por separado, todas son significativas. De esta manera, casi que se confirma que es por un problema de multicolinealidad que los efectos directos e indirectos no son significativos.
Por otro lado, se me ocurrió probar las interacciones entre disfrute y compromiso y entre disfrute y realización personal. Sólo con compromiso fue significativa.
mod1 <- latentes %>%
lm(audit01~(disfrute*compromiso)+realpers,.)
mod1 %>% summary()##
## Call:
## lm(formula = audit01 ~ (disfrute * compromiso) + realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.64744 -0.98584 -0.03852 0.69777 2.80393
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.37032 0.06524 21.003 <2e-16 ***
## disfrute 0.22170 0.75732 0.293 0.7699
## compromiso -0.45105 0.46304 -0.974 0.3307
## realpers -0.27569 0.18821 -1.465 0.1439
## disfrute:compromiso -0.68696 0.33376 -2.058 0.0403 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.016 on 357 degrees of freedom
## Multiple R-squared: 0.04112, Adjusted R-squared: 0.03038
## F-statistic: 3.827 on 4 and 357 DF, p-value: 0.004636datos_graf <- data.frame(consumo=rep(NA,4),
disfrute=rep(c(min(latentes$disfrute),max(latentes$disfrute)),2),
realpers=rep(mean(latentes$realpers),4),
compromiso=c(rep(quantile(latentes$compromiso,.15),2),rep(quantile(latentes$compromiso,.85),2)),
comp_cuali=c(rep("bajo (q = .15)",2),rep("alto (q = .85)",2)))
for(i in 1:4){
datos_graf$consumo[i] <- predict(mod1, newdata=datos_graf[i,])
}
colnames(datos_graf) <- c("Frec. consumo", "disfrute", "realpers","comp","compromiso")
ggplot(datos_graf,aes(x=disfrute, y=`Frec. consumo`, color=compromiso))+
geom_point(size=7)+
geom_line(lwd=2)+
theme_minimal()
En gráfico se está controlando por realización personal
Invirtiendo los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
audit01 ~ cp*disfrute
audit01 ~ b1*compromiso
audit01 ~ b2*realpers
# 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 = datos2)## Warning in lav_samplestats_from_data(lavdata = lavdata, lavoptions = lavoptions, : lavaan WARNING: number of observations (362) too small to compute Gammatabla_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 | 1.122 | 0.992 | 0.991 | 0.018 | 0.066 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 79 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 90
##
## Used Total
## Number of observations 362 475
##
## Model Test User Model:
##
## Test statistic 818.897
## Degrees of freedom 730
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 11900.169
## Degrees of freedom 780
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.992
## Tucker-Lewis Index (TLI) 0.991
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.018
## 90 Percent confidence interval - lower 0.009
## 90 Percent confidence interval - upper 0.025
## P-value H_0: RMSEA <= 0.050 1.000
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.066
##
## 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
## afectopos =~
## edid02 1.000 0.343 0.592
## edid05 0.900 0.089 10.099 0.000 0.309 0.608
## edid07 1.422 0.116 12.223 0.000 0.488 0.689
## edid08 1.193 0.104 11.497 0.000 0.409 0.695
## edid12 1.125 0.100 11.225 0.000 0.386 0.718
## edid15 1.196 0.104 11.509 0.000 0.410 0.529
## edid16 0.878 0.088 9.961 0.000 0.301 0.571
## edid17 1.064 0.097 10.960 0.000 0.365 0.464
## involucramiento =~
## edid01 1.000 0.465 0.628
## edid03 -1.116 0.077 -14.528 0.000 -0.518 -0.439
## edid04 1.285 0.084 15.297 0.000 0.597 0.723
## edid06 1.236 0.082 15.097 0.000 0.574 0.670
## edid09 -1.104 0.076 -14.467 0.000 -0.513 -0.416
## edid10 -1.182 0.080 -14.853 0.000 -0.549 -0.486
## edid11 1.347 0.087 15.529 0.000 0.626 0.739
## edid13 1.067 0.075 14.265 0.000 0.496 0.490
## edid14 1.349 0.087 15.537 0.000 0.627 0.663
## disfrute =~
## afectopos 1.000 0.884 0.884
## involucramient 1.086 0.094 11.510 0.000 0.709 0.709
## confianza =~
## aeq01 1.000 0.647 0.677
## aeq05 1.316 0.070 18.863 0.000 0.851 0.828
## aeq09 1.172 0.064 18.286 0.000 0.757 0.740
## aeq13 1.211 0.066 18.462 0.000 0.783 0.764
## vigor =~
## aeq02 1.000 0.549 0.687
## aeq06 1.029 0.062 16.711 0.000 0.565 0.685
## aeq10 1.066 0.063 16.953 0.000 0.585 0.736
## aeq14 0.954 0.059 16.153 0.000 0.523 0.618
## dedicacion =~
## aeq03 1.000 0.607 0.728
## aeq07 0.902 0.051 17.540 0.000 0.548 0.663
## aeq11 1.078 0.057 18.950 0.000 0.655 0.720
## aeq15 0.900 0.051 17.520 0.000 0.547 0.666
## entusiasmo =~
## aeq04 1.000 0.482 0.685
## aeq08 1.194 0.084 14.254 0.000 0.576 0.787
## aeq12 1.108 0.080 13.862 0.000 0.534 0.773
## aeq16 0.768 0.066 11.600 0.000 0.370 0.631
## compromiso =~
## confianza 1.000 0.667 0.667
## vigor 1.121 0.071 15.811 0.000 0.881 0.881
## dedicacion 1.265 0.076 16.561 0.000 0.898 0.898
## entusiasmo 0.877 0.062 14.115 0.000 0.784 0.784
## realpers =~
## esar01 1.000 0.560 0.827
## esar02 0.795 0.056 14.178 0.000 0.445 0.649
## esar03 0.753 0.055 13.756 0.000 0.422 0.674
## esar04 1.621 0.088 18.363 0.000 0.908 0.804
## esar05 1.489 0.082 18.056 0.000 0.834 0.739
## esar06 1.408 0.079 17.821 0.000 0.789 0.648
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.288 0.109 11.808 0.000 0.906 0.906
## realpers ~
## disfrute (a2) 1.189 0.099 11.968 0.000 0.644 0.644
## audit01 ~
## disfrute (cp) -0.376 0.866 -0.435 0.664 -0.114 -0.111
## compromis (b1) -0.020 0.543 -0.036 0.971 -0.008 -0.008
## realpers (b2) -0.130 0.118 -1.103 0.270 -0.073 -0.071
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.218 0.055 3.947 0.000 0.218 0.650
## .edid05 0.162 0.055 2.968 0.003 0.162 0.630
## .edid07 0.263 0.059 4.467 0.000 0.263 0.525
## .edid08 0.179 0.057 3.161 0.002 0.179 0.517
## .edid12 0.140 0.056 2.495 0.013 0.140 0.485
## .edid15 0.432 0.057 7.628 0.000 0.432 0.720
## .edid16 0.187 0.055 3.422 0.001 0.187 0.673
## .edid17 0.486 0.056 8.737 0.000 0.486 0.785
## .edid01 0.331 0.057 5.799 0.000 0.331 0.605
## .edid03 1.129 0.058 19.396 0.000 1.129 0.808
## .edid04 0.325 0.060 5.398 0.000 0.325 0.477
## .edid06 0.404 0.060 6.791 0.000 0.404 0.551
## .edid09 1.259 0.058 21.680 0.000 1.259 0.827
## .edid10 0.973 0.059 16.527 0.000 0.973 0.764
## .edid11 0.326 0.061 5.356 0.000 0.326 0.455
## .edid13 0.777 0.058 13.476 0.000 0.777 0.760
## .edid14 0.501 0.061 8.221 0.000 0.501 0.561
## .aeq01 0.494 0.063 7.858 0.000 0.494 0.541
## .aeq05 0.332 0.072 4.603 0.000 0.332 0.314
## .aeq09 0.474 0.067 7.042 0.000 0.474 0.452
## .aeq13 0.438 0.068 6.394 0.000 0.438 0.417
## .aeq02 0.337 0.061 5.535 0.000 0.337 0.528
## .aeq06 0.360 0.062 5.847 0.000 0.360 0.530
## .aeq10 0.288 0.062 4.615 0.000 0.288 0.458
## .aeq14 0.443 0.060 7.388 0.000 0.443 0.618
## .aeq03 0.328 0.062 5.256 0.000 0.328 0.470
## .aeq07 0.383 0.060 6.386 0.000 0.383 0.561
## .aeq11 0.399 0.065 6.185 0.000 0.399 0.482
## .aeq15 0.375 0.060 6.257 0.000 0.375 0.557
## .aeq04 0.263 0.060 4.346 0.000 0.263 0.530
## .aeq08 0.204 0.065 3.123 0.002 0.204 0.381
## .aeq12 0.192 0.063 3.056 0.002 0.192 0.403
## .aeq16 0.207 0.057 3.667 0.000 0.207 0.602
## .esar01 0.145 0.060 2.439 0.015 0.145 0.316
## .esar02 0.272 0.057 4.789 0.000 0.272 0.579
## .esar03 0.214 0.056 3.796 0.000 0.214 0.546
## .esar04 0.452 0.073 6.191 0.000 0.452 0.354
## .esar05 0.579 0.069 8.366 0.000 0.579 0.454
## .esar06 0.858 0.067 12.772 0.000 0.858 0.580
## .audit01 1.034 0.053 19.348 0.000 1.034 0.970
## .afectopos 0.026 0.010 2.599 0.009 0.218 0.218
## .involucramient 0.108 0.013 8.202 0.000 0.498 0.498
## disfrute 0.092 0.012 7.371 0.000 1.000 1.000
## .confianza 0.232 0.024 9.507 0.000 0.555 0.555
## .vigor 0.067 0.024 2.758 0.006 0.223 0.223
## .dedicacion 0.071 0.027 2.633 0.008 0.193 0.193
## .entusiasmo 0.090 0.024 3.809 0.000 0.386 0.386
## .compromiso 0.033 0.008 4.046 0.000 0.179 0.179
## .realpers 0.184 0.019 9.773 0.000 0.585 0.585
##
## R-Square:
## Estimate
## edid02 0.350
## edid05 0.370
## edid07 0.475
## edid08 0.483
## edid12 0.515
## edid15 0.280
## edid16 0.327
## edid17 0.215
## edid01 0.395
## edid03 0.192
## edid04 0.523
## edid06 0.449
## edid09 0.173
## edid10 0.236
## edid11 0.545
## edid13 0.240
## edid14 0.439
## aeq01 0.459
## aeq05 0.686
## aeq09 0.548
## aeq13 0.583
## aeq02 0.472
## aeq06 0.470
## aeq10 0.542
## aeq14 0.382
## aeq03 0.530
## aeq07 0.439
## aeq11 0.518
## aeq15 0.443
## aeq04 0.470
## aeq08 0.619
## aeq12 0.597
## aeq16 0.398
## esar01 0.684
## esar02 0.421
## esar03 0.454
## esar04 0.646
## esar05 0.546
## esar06 0.420
## audit01 0.030
## afectopos 0.782
## involucramient 0.502
## confianza 0.445
## vigor 0.777
## dedicacion 0.807
## entusiasmo 0.614
## compromiso 0.821
## realpers 0.415
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.025 0.699 -0.036 0.971 -0.008 -0.007
## ab2 -0.155 0.140 -1.103 0.270 -0.047 -0.045
## total -0.556 0.122 -4.574 0.000 -0.169 -0.163semPaths(# Argumentos globales
fit_uls, what="std", 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,
residuals = F
)
El ajuste general del modelo hermoso. En la composición de las latentes, los ítems 3, 9 y 10 de la EDID (involucramiento) tienen cargas factoriales muy negativas (asumo que es indicador de que no había que invertirlos). Ambos aspectos tienen igual importancia en la composición del disfrute. Respecto al compromiso, también tienen importancias parecidas las 4 subdimensiones, aunque confianza aparece un poco por debajo que las demás. Al analizar los efectos, se da una situación compleja: ni el efecto directo (\(\beta_{std}\) = -0.11) ni el indirecto a través del compromiso (\(\beta_{std}\) = -0.01) o de la realización personal (\(\beta_{std}\) = -0.07) resultaron significativos, pero sí el efecto total (i.e., la suma de los tres; \(\beta_{std}\) = -0.16). Puede que esto se deba a la colinealidad entre los tres predictores.
latentes <- as.data.frame(lavPredict(fit_uls))
latentes$audit01 <- datos2$audit01[!is.na(rowMeans(datos2[,c(15:54)]))]
latentes %>%
lm(audit01~disfrute,.) %>%
summary()##
## Call:
## lm(formula = audit01 ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7048 -1.0956 -0.1229 0.7453 2.7983
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.29451 0.05362 24.140 < 2e-16 ***
## disfrute -0.59216 0.19044 -3.109 0.00202 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.02 on 360 degrees of freedom
## Multiple R-squared: 0.02615, Adjusted R-squared: 0.02345
## F-statistic: 9.669 on 1 and 360 DF, p-value: 0.002024latentes %>%
lm(audit01~compromiso,.) %>%
summary()##
## Call:
## lm(formula = audit01 ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.8468 -1.1073 -0.1273 0.7232 2.7800
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.29220 0.05371 24.061 < 2e-16 ***
## compromiso -0.38560 0.13326 -2.894 0.00404 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.022 on 360 degrees of freedom
## Multiple R-squared: 0.02273, Adjusted R-squared: 0.02001
## F-statistic: 8.373 on 1 and 360 DF, p-value: 0.004041latentes %>%
lm(audit01~realpers,.) %>%
summary()##
## Call:
## lm(formula = audit01 ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7168 -1.0814 -0.1196 0.7460 2.9087
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.29241 0.05361 24.108 < 2e-16 ***
## realpers -0.32755 0.10512 -3.116 0.00198 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.02 on 360 degrees of freedom
## Multiple R-squared: 0.02626, Adjusted R-squared: 0.02356
## F-statistic: 9.709 on 1 and 360 DF, p-value: 0.001981Nuevamente, si analizamos las tres variables por separado, todas son significativas. De esta manera, casi que se confirma que es por un problema de multicolinealidad que los efectos directos e indirectos no son significativos.
Por otro lado, se me ocurrió probar las interacciones entre disfrute y compromiso y entre disfrute y realización personal. Sólo con compromiso fue significativa.
mod1 <- latentes %>%
lm(audit01~(disfrute*compromiso)+realpers,.)
mod1 %>% summary()##
## Call:
## lm(formula = audit01 ~ (disfrute * compromiso) + realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.62605 -0.97709 -0.05844 0.70335 2.83907
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.37641 0.06583 20.909 <2e-16 ***
## disfrute -0.65224 0.91736 -0.711 0.4776
## compromiso 0.05813 0.55823 0.104 0.9171
## realpers -0.17483 0.18387 -0.951 0.3423
## disfrute:compromiso -0.73272 0.34191 -2.143 0.0328 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.016 on 357 degrees of freedom
## Multiple R-squared: 0.04148, Adjusted R-squared: 0.03074
## F-statistic: 3.862 on 4 and 357 DF, p-value: 0.004367datos_graf <- data.frame(consumo=rep(NA,4),
disfrute=rep(c(min(latentes$disfrute),max(latentes$disfrute)),2),
realpers=rep(mean(latentes$realpers),4),
compromiso=c(rep(quantile(latentes$compromiso,.15),2),rep(quantile(latentes$compromiso,.85),2)),
comp_cuali=c(rep("bajo (q = .15)",2),rep("alto (q = .85)",2)))
for(i in 1:4){
datos_graf$consumo[i] <- predict(mod1, newdata=datos_graf[i,])
}
colnames(datos_graf) <- c("Frec. consumo", "disfrute", "realpers","comp","compromiso")
ggplot(datos_graf,aes(x=disfrute, y=`Frec. consumo`, color=compromiso))+
geom_point(size=7)+
geom_line(lwd=2)+
theme_minimal()
En gráfico se está controlando por realización personal
Cantidad de consumo
Sin invertir los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
audit02 ~ cp*disfrute
audit02 ~ b1*compromiso
audit02 ~ b2*realpers
# 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)## Warning in lav_samplestats_from_data(lavdata = lavdata, lavoptions = lavoptions, : lavaan WARNING: number of observations (362) too small to compute Gammatabla_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 | 2.067 | 0.926 | 0.921 | 0.054 | 0.069 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 75 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 90
##
## Used Total
## Number of observations 362 475
##
## Model Test User Model:
##
## Test statistic 1508.941
## Degrees of freedom 730
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 11269.442
## Degrees of freedom 780
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.926
## Tucker-Lewis Index (TLI) 0.921
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.054
## 90 Percent confidence interval - lower 0.050
## 90 Percent confidence interval - upper 0.058
## P-value H_0: RMSEA <= 0.050 0.033
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.069
##
## 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
## afectopos =~
## edid02 1.000 0.363 0.621
## edid05 0.858 0.085 10.039 0.000 0.312 0.615
## edid07 1.318 0.109 12.138 0.000 0.479 0.677
## edid08 1.146 0.099 11.526 0.000 0.417 0.708
## edid12 1.060 0.095 11.151 0.000 0.385 0.717
## edid15 1.115 0.098 11.398 0.000 0.405 0.526
## edid16 0.822 0.084 9.797 0.000 0.299 0.567
## edid17 0.973 0.091 10.717 0.000 0.354 0.462
## involucramiento =~
## edid01 1.000 0.444 0.605
## edid03 0.252 0.055 4.556 0.000 0.112 0.093
## edid04 1.375 0.096 14.335 0.000 0.611 0.741
## edid06 1.186 0.087 13.644 0.000 0.527 0.616
## edid09 0.092 0.054 1.711 0.087 0.041 0.029
## edid10 -0.007 0.053 -0.140 0.888 -0.003 -0.002
## edid11 1.340 0.094 14.223 0.000 0.596 0.703
## edid13 1.054 0.081 13.017 0.000 0.469 0.466
## edid14 1.343 0.094 14.232 0.000 0.597 0.631
## disfrute =~
## afectopos 1.000 0.874 0.874
## involucramient 1.100 0.098 11.270 0.000 0.786 0.786
## confianza =~
## aeq01 1.000 0.652 0.675
## aeq05 1.308 0.070 18.635 0.000 0.853 0.827
## aeq09 1.185 0.065 18.164 0.000 0.773 0.753
## aeq13 1.210 0.066 18.274 0.000 0.789 0.767
## vigor =~
## aeq02 1.000 0.542 0.678
## aeq06 1.040 0.065 16.018 0.000 0.563 0.681
## aeq10 1.111 0.068 16.443 0.000 0.601 0.753
## aeq14 0.951 0.062 15.400 0.000 0.515 0.609
## dedicacion =~
## aeq03 1.000 0.607 0.727
## aeq07 0.906 0.052 17.284 0.000 0.550 0.665
## aeq11 1.077 0.058 18.620 0.000 0.654 0.718
## aeq15 0.912 0.053 17.338 0.000 0.554 0.671
## entusiasmo =~
## aeq04 1.000 0.490 0.696
## aeq08 1.180 0.084 14.100 0.000 0.578 0.793
## aeq12 1.065 0.078 13.562 0.000 0.521 0.754
## aeq16 0.728 0.065 11.185 0.000 0.357 0.614
## compromiso =~
## confianza 1.000 0.663 0.663
## vigor 1.087 0.071 15.297 0.000 0.867 0.867
## dedicacion 1.276 0.079 16.246 0.000 0.909 0.909
## entusiasmo 0.893 0.064 13.961 0.000 0.788 0.788
## realpers =~
## esar01 1.000 0.551 0.814
## esar02 0.771 0.056 13.712 0.000 0.425 0.623
## esar03 0.761 0.056 13.615 0.000 0.420 0.670
## esar04 1.646 0.091 18.152 0.000 0.907 0.809
## esar05 1.512 0.085 17.855 0.000 0.833 0.741
## esar06 1.450 0.082 17.685 0.000 0.799 0.662
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.200 0.102 11.805 0.000 0.881 0.881
## realpers ~
## disfrute (a2) 1.173 0.098 12.007 0.000 0.676 0.676
## audit02 ~
## disfrute (cp) 0.483 0.730 0.661 0.508 0.153 0.137
## compromis (b1) -0.511 0.450 -1.134 0.257 -0.221 -0.197
## realpers (b2) -0.078 0.135 -0.576 0.565 -0.043 -0.038
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.210 0.056 3.769 0.000 0.210 0.614
## .edid05 0.160 0.055 2.922 0.003 0.160 0.622
## .edid07 0.271 0.059 4.613 0.000 0.271 0.542
## .edid08 0.173 0.057 3.032 0.002 0.173 0.499
## .edid12 0.140 0.056 2.492 0.013 0.140 0.486
## .edid15 0.430 0.057 7.579 0.000 0.430 0.724
## .edid16 0.188 0.055 3.442 0.001 0.188 0.678
## .edid17 0.461 0.056 8.297 0.000 0.461 0.787
## .edid01 0.342 0.057 5.984 0.000 0.342 0.634
## .edid03 1.443 0.053 27.281 0.000 1.443 0.991
## .edid04 0.308 0.062 4.954 0.000 0.308 0.452
## .edid06 0.455 0.059 7.664 0.000 0.455 0.621
## .edid09 1.922 0.053 36.498 0.000 1.922 0.999
## .edid10 1.969 0.053 37.416 0.000 1.969 1.000
## .edid11 0.363 0.062 5.905 0.000 0.363 0.506
## .edid13 0.791 0.058 13.685 0.000 0.791 0.783
## .edid14 0.538 0.062 8.733 0.000 0.538 0.602
## .aeq01 0.507 0.063 8.019 0.000 0.507 0.544
## .aeq05 0.337 0.073 4.651 0.000 0.337 0.316
## .aeq09 0.457 0.068 6.689 0.000 0.457 0.433
## .aeq13 0.437 0.069 6.330 0.000 0.437 0.412
## .aeq02 0.345 0.061 5.659 0.000 0.345 0.540
## .aeq06 0.367 0.062 5.939 0.000 0.367 0.536
## .aeq10 0.276 0.064 4.330 0.000 0.276 0.432
## .aeq14 0.451 0.060 7.533 0.000 0.451 0.630
## .aeq03 0.328 0.062 5.258 0.000 0.328 0.471
## .aeq07 0.381 0.060 6.333 0.000 0.381 0.558
## .aeq11 0.401 0.065 6.203 0.000 0.401 0.484
## .aeq15 0.374 0.060 6.199 0.000 0.374 0.550
## .aeq04 0.255 0.061 4.186 0.000 0.255 0.516
## .aeq08 0.197 0.066 2.983 0.003 0.197 0.371
## .aeq12 0.206 0.063 3.290 0.001 0.206 0.431
## .aeq16 0.210 0.056 3.731 0.000 0.210 0.623
## .esar01 0.155 0.059 2.611 0.009 0.155 0.338
## .esar02 0.284 0.057 5.032 0.000 0.284 0.612
## .esar03 0.217 0.056 3.838 0.000 0.217 0.552
## .esar04 0.433 0.073 5.933 0.000 0.433 0.345
## .esar05 0.569 0.069 8.222 0.000 0.569 0.451
## .esar06 0.820 0.068 12.113 0.000 0.820 0.562
## .audit02 1.242 0.055 22.470 0.000 1.242 0.987
## .afectopos 0.031 0.011 2.786 0.005 0.237 0.237
## .involucramient 0.075 0.013 5.662 0.000 0.382 0.382
## disfrute 0.101 0.013 7.488 0.000 1.000 1.000
## .confianza 0.238 0.025 9.568 0.000 0.561 0.561
## .vigor 0.073 0.024 3.043 0.002 0.248 0.248
## .dedicacion 0.064 0.027 2.356 0.018 0.174 0.174
## .entusiasmo 0.091 0.025 3.681 0.000 0.379 0.379
## .compromiso 0.042 0.009 4.872 0.000 0.223 0.223
## .realpers 0.165 0.018 9.259 0.000 0.543 0.543
##
## R-Square:
## Estimate
## edid02 0.386
## edid05 0.378
## edid07 0.458
## edid08 0.501
## edid12 0.514
## edid15 0.276
## edid16 0.322
## edid17 0.213
## edid01 0.366
## edid03 0.009
## edid04 0.548
## edid06 0.379
## edid09 0.001
## edid10 0.000
## edid11 0.494
## edid13 0.217
## edid14 0.398
## aeq01 0.456
## aeq05 0.684
## aeq09 0.567
## aeq13 0.588
## aeq02 0.460
## aeq06 0.464
## aeq10 0.568
## aeq14 0.370
## aeq03 0.529
## aeq07 0.442
## aeq11 0.516
## aeq15 0.450
## aeq04 0.484
## aeq08 0.629
## aeq12 0.569
## aeq16 0.377
## esar01 0.662
## esar02 0.388
## esar03 0.448
## esar04 0.655
## esar05 0.549
## esar06 0.438
## audit02 0.013
## afectopos 0.763
## involucramient 0.618
## confianza 0.439
## vigor 0.752
## dedicacion 0.826
## entusiasmo 0.621
## compromiso 0.777
## realpers 0.457
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.613 0.544 -1.127 0.260 -0.195 -0.173
## ab2 -0.091 0.158 -0.576 0.565 -0.029 -0.026
## total -0.221 0.119 -1.864 0.062 -0.070 -0.063semPaths(# Argumentos globales
fit_uls, what="std", 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,
residuals = F
)
El ajuste general del modelo es bello. En la composición de las latentes, los ítems 9 y 10 de la EDID (involucramiento) no fueron significativo, aunque el 3 también tiene una carga factorial muy bajita. A diferencia de lo que veíamos antes, ambos aspectos tienen igual importancia en la composición del disfrute. Respecto al compromiso, también tienen importancias parecidas las 4 subdimensiones, aunque confianza aparece un poco por debajo que las demás. En este caso, ninguno de los efectos del disfrute sobre la cantidad de consumo fue significativo: ni el efecto directo (\(\beta_{std}\) = 0.14), ni el indirecto a través del compromiso (\(\beta_{std}\) = -0.17) o de la realización personal (\(\beta_{std}\) = -0.03), ni el efecto total (i.e., la suma de los tres; \(\beta_{std}\) = -0.06).
latentes <- as.data.frame(lavPredict(fit_uls))
latentes$audit02 <- datos$audit02[!is.na(rowMeans(datos[,c(15:53,55)]))]
latentes %>%
lm(audit02~disfrute,.) %>%
summary()##
## Call:
## lm(formula = audit02 ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3018 -1.0732 -0.1414 0.7909 2.9555
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.13478 0.05894 19.252 <2e-16 ***
## disfrute -0.22732 0.20033 -1.135 0.257
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.121 on 360 degrees of freedom
## Multiple R-squared: 0.003564, Adjusted R-squared: 0.0007961
## F-statistic: 1.288 on 1 and 360 DF, p-value: 0.2572latentes %>%
lm(audit02~compromiso,.) %>%
summary()##
## Call:
## lm(formula = audit02 ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.5063 -1.0315 -0.1398 0.7560 3.0029
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.13729 0.05882 19.336 <2e-16 ***
## compromiso -0.24958 0.14563 -1.714 0.0874 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.119 on 360 degrees of freedom
## Multiple R-squared: 0.008093, Adjusted R-squared: 0.005338
## F-statistic: 2.937 on 1 and 360 DF, p-value: 0.08742latentes %>%
lm(audit02~realpers,.) %>%
summary()##
## Call:
## lm(formula = audit02 ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3203 -1.0666 -0.1415 0.7803 2.9567
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.13561 0.05892 19.27 <2e-16 ***
## realpers -0.14389 0.11698 -1.23 0.219
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.121 on 360 degrees of freedom
## Multiple R-squared: 0.004185, Adjusted R-squared: 0.001419
## F-statistic: 1.513 on 1 and 360 DF, p-value: 0.2195Al analizarlas por separado, solo el compromiso alcanzó una significación marginal.
Invirtiendo los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
audit02 ~ cp*disfrute
audit02 ~ b1*compromiso
audit02 ~ b2*realpers
# 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 = datos2)## Warning in lav_samplestats_from_data(lavdata = lavdata, lavoptions = lavoptions, : lavaan WARNING: number of observations (362) too small to compute Gammatabla_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 | 1.094 | 0.994 | 0.993 | 0.016 | 0.066 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 77 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 90
##
## Used Total
## Number of observations 362 475
##
## Model Test User Model:
##
## Test statistic 798.308
## Degrees of freedom 730
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 11734.803
## Degrees of freedom 780
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.994
## Tucker-Lewis Index (TLI) 0.993
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.016
## 90 Percent confidence interval - lower 0.004
## 90 Percent confidence interval - upper 0.023
## P-value H_0: RMSEA <= 0.050 1.000
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.066
##
## 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
## afectopos =~
## edid02 1.000 0.351 0.600
## edid05 0.887 0.087 10.176 0.000 0.312 0.614
## edid07 1.390 0.113 12.315 0.000 0.488 0.690
## edid08 1.161 0.101 11.547 0.000 0.408 0.693
## edid12 1.109 0.098 11.329 0.000 0.389 0.725
## edid15 1.163 0.101 11.551 0.000 0.408 0.530
## edid16 0.865 0.086 10.040 0.000 0.304 0.577
## edid17 1.003 0.093 10.829 0.000 0.352 0.460
## involucramiento =~
## edid01 1.000 0.458 0.624
## edid03 -1.095 0.078 -14.121 0.000 -0.502 -0.426
## edid04 1.323 0.087 15.126 0.000 0.606 0.735
## edid06 1.249 0.084 14.841 0.000 0.572 0.669
## edid09 -1.123 0.079 -14.263 0.000 -0.514 -0.414
## edid10 -1.184 0.081 -14.558 0.000 -0.542 -0.483
## edid11 1.375 0.090 15.309 0.000 0.630 0.744
## edid13 1.060 0.076 13.928 0.000 0.486 0.483
## edid14 1.347 0.089 15.213 0.000 0.617 0.653
## disfrute =~
## afectopos 1.000 0.880 0.880
## involucramient 1.044 0.091 11.519 0.000 0.704 0.704
## confianza =~
## aeq01 1.000 0.655 0.678
## aeq05 1.312 0.069 18.995 0.000 0.859 0.833
## aeq09 1.169 0.063 18.427 0.000 0.766 0.746
## aeq13 1.202 0.065 18.574 0.000 0.787 0.764
## vigor =~
## aeq02 1.000 0.548 0.686
## aeq06 1.039 0.062 16.756 0.000 0.570 0.688
## aeq10 1.065 0.063 16.931 0.000 0.584 0.732
## aeq14 0.954 0.059 16.139 0.000 0.523 0.618
## dedicacion =~
## aeq03 1.000 0.608 0.728
## aeq07 0.904 0.052 17.508 0.000 0.549 0.664
## aeq11 1.077 0.057 18.889 0.000 0.655 0.719
## aeq15 0.909 0.052 17.548 0.000 0.552 0.669
## entusiasmo =~
## aeq04 1.000 0.481 0.683
## aeq08 1.189 0.084 14.097 0.000 0.571 0.784
## aeq12 1.107 0.081 13.729 0.000 0.532 0.770
## aeq16 0.758 0.066 11.406 0.000 0.364 0.627
## compromiso =~
## confianza 1.000 0.662 0.662
## vigor 1.117 0.071 15.841 0.000 0.884 0.884
## dedicacion 1.257 0.076 16.584 0.000 0.898 0.898
## entusiasmo 0.866 0.062 14.069 0.000 0.781 0.781
## realpers =~
## esar01 1.000 0.560 0.826
## esar02 0.783 0.056 14.002 0.000 0.438 0.642
## esar03 0.758 0.055 13.749 0.000 0.424 0.677
## esar04 1.618 0.089 18.282 0.000 0.906 0.808
## esar05 1.473 0.082 17.940 0.000 0.824 0.733
## esar06 1.398 0.079 17.718 0.000 0.782 0.648
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.271 0.107 11.925 0.000 0.906 0.906
## realpers ~
## disfrute (a2) 1.177 0.097 12.069 0.000 0.650 0.650
## audit02 ~
## disfrute (cp) 0.415 0.858 0.483 0.629 0.128 0.114
## compromis (b1) -0.481 0.545 -0.883 0.377 -0.209 -0.186
## realpers (b2) -0.056 0.120 -0.469 0.639 -0.032 -0.028
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.219 0.055 3.952 0.000 0.219 0.640
## .edid05 0.161 0.055 2.933 0.003 0.161 0.623
## .edid07 0.263 0.059 4.457 0.000 0.263 0.524
## .edid08 0.180 0.057 3.180 0.001 0.180 0.520
## .edid12 0.137 0.056 2.437 0.015 0.137 0.475
## .edid15 0.428 0.057 7.549 0.000 0.428 0.720
## .edid16 0.185 0.055 3.385 0.001 0.185 0.667
## .edid17 0.462 0.055 8.338 0.000 0.462 0.788
## .edid01 0.330 0.057 5.790 0.000 0.330 0.611
## .edid03 1.136 0.058 19.617 0.000 1.136 0.819
## .edid04 0.314 0.061 5.184 0.000 0.314 0.460
## .edid06 0.405 0.060 6.799 0.000 0.405 0.553
## .edid09 1.276 0.058 21.926 0.000 1.276 0.828
## .edid10 0.968 0.059 16.446 0.000 0.968 0.767
## .edid11 0.321 0.061 5.244 0.000 0.321 0.447
## .edid13 0.775 0.058 13.463 0.000 0.775 0.767
## .edid14 0.513 0.061 8.429 0.000 0.513 0.574
## .aeq01 0.503 0.063 7.978 0.000 0.503 0.540
## .aeq05 0.327 0.072 4.513 0.000 0.327 0.307
## .aeq09 0.467 0.068 6.906 0.000 0.467 0.443
## .aeq13 0.441 0.069 6.421 0.000 0.441 0.416
## .aeq02 0.337 0.061 5.544 0.000 0.337 0.529
## .aeq06 0.360 0.062 5.829 0.000 0.360 0.526
## .aeq10 0.296 0.062 4.744 0.000 0.296 0.465
## .aeq14 0.443 0.060 7.389 0.000 0.443 0.618
## .aeq03 0.328 0.062 5.254 0.000 0.328 0.470
## .aeq07 0.382 0.060 6.356 0.000 0.382 0.559
## .aeq11 0.399 0.065 6.190 0.000 0.399 0.482
## .aeq15 0.376 0.060 6.243 0.000 0.376 0.552
## .aeq04 0.264 0.060 4.369 0.000 0.264 0.534
## .aeq08 0.204 0.065 3.125 0.002 0.204 0.385
## .aeq12 0.195 0.063 3.089 0.002 0.195 0.408
## .aeq16 0.205 0.056 3.622 0.000 0.205 0.606
## .esar01 0.145 0.060 2.440 0.015 0.145 0.317
## .esar02 0.273 0.057 4.810 0.000 0.273 0.587
## .esar03 0.213 0.057 3.765 0.000 0.213 0.542
## .esar04 0.435 0.073 5.961 0.000 0.435 0.347
## .esar05 0.584 0.069 8.476 0.000 0.584 0.462
## .esar06 0.846 0.067 12.618 0.000 0.846 0.580
## .audit02 1.244 0.055 22.761 0.000 1.244 0.988
## .afectopos 0.028 0.010 2.684 0.007 0.226 0.226
## .involucramient 0.106 0.013 8.100 0.000 0.504 0.504
## disfrute 0.095 0.013 7.477 0.000 1.000 1.000
## .confianza 0.241 0.025 9.691 0.000 0.562 0.562
## .vigor 0.066 0.024 2.710 0.007 0.219 0.219
## .dedicacion 0.072 0.027 2.658 0.008 0.194 0.194
## .entusiasmo 0.090 0.024 3.793 0.000 0.390 0.390
## .compromiso 0.034 0.008 4.050 0.000 0.180 0.180
## .realpers 0.181 0.019 9.659 0.000 0.578 0.578
##
## R-Square:
## Estimate
## edid02 0.360
## edid05 0.377
## edid07 0.476
## edid08 0.480
## edid12 0.525
## edid15 0.280
## edid16 0.333
## edid17 0.212
## edid01 0.389
## edid03 0.181
## edid04 0.540
## edid06 0.447
## edid09 0.172
## edid10 0.233
## edid11 0.553
## edid13 0.233
## edid14 0.426
## aeq01 0.460
## aeq05 0.693
## aeq09 0.557
## aeq13 0.584
## aeq02 0.471
## aeq06 0.474
## aeq10 0.535
## aeq14 0.382
## aeq03 0.530
## aeq07 0.441
## aeq11 0.518
## aeq15 0.448
## aeq04 0.466
## aeq08 0.615
## aeq12 0.592
## aeq16 0.394
## esar01 0.683
## esar02 0.413
## esar03 0.458
## esar04 0.653
## esar05 0.538
## esar06 0.420
## audit02 0.012
## afectopos 0.774
## involucramient 0.496
## confianza 0.438
## vigor 0.781
## dedicacion 0.806
## entusiasmo 0.610
## compromiso 0.820
## realpers 0.422
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.611 0.695 -0.880 0.379 -0.189 -0.168
## ab2 -0.066 0.142 -0.469 0.639 -0.020 -0.018
## total -0.263 0.115 -2.286 0.022 -0.081 -0.072semPaths(# Argumentos globales
fit_uls, what="std", 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,
residuals = F
)
El ajuste general del modelo hermoso. En la composición de las latentes, los ítems 3, 9 y 10 de la EDID (involucramiento) tienen cargas factoriales muy negativas (asumo que es indicador de que no había que invertirlos). Ambos aspectos tienen igual importancia en la composición del disfrute. Respecto al compromiso, también tienen importancias parecidas las 4 subdimensiones, aunque confianza aparece un poco por debajo que las demás. Al analizar los efectos, se da una situación compleja: ni el efecto directo (\(\beta_{std}\) = 0.11) ni el indirecto a través del compromiso (\(\beta_{std}\) = -0.17) o de la realización personal (\(\beta_{std}\) = -0.02) resultaron significativos, pero sí el efecto total (i.e., la suma de los tres; \(\beta_{std}\) = -0.07).
latentes <- as.data.frame(lavPredict(fit_uls))
latentes$audit02 <- datos2$audit02[!is.na(rowMeans(datos2[,c(15:53,55)]))]
latentes %>%
lm(audit02~disfrute,.) %>%
summary()##
## Call:
## lm(formula = audit02 ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3150 -1.0709 -0.1399 0.7859 2.9619
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.13510 0.05893 19.262 <2e-16 ***
## disfrute -0.24680 0.20552 -1.201 0.231
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.121 on 360 degrees of freedom
## Multiple R-squared: 0.00399, Adjusted R-squared: 0.001223
## F-statistic: 1.442 on 1 and 360 DF, p-value: 0.2306latentes %>%
lm(audit02~compromiso,.) %>%
summary()##
## Call:
## lm(formula = audit02 ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4868 -1.0361 -0.1409 0.7576 3.0009
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.13709 0.05883 19.329 <2e-16 ***
## compromiso -0.24261 0.14518 -1.671 0.0956 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.119 on 360 degrees of freedom
## Multiple R-squared: 0.007697, Adjusted R-squared: 0.004941
## F-statistic: 2.793 on 1 and 360 DF, p-value: 0.09557latentes %>%
lm(audit02~realpers,.) %>%
summary()##
## Call:
## lm(formula = audit02 ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3186 -1.0674 -0.1418 0.7803 2.9525
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.13557 0.05893 19.270 <2e-16 ***
## realpers -0.13886 0.11545 -1.203 0.23
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.121 on 360 degrees of freedom
## Multiple R-squared: 0.004003, Adjusted R-squared: 0.001236
## F-statistic: 1.447 on 1 and 360 DF, p-value: 0.2298Al analizarlas por separado, solo el compromiso alcanzó una significación marginal.
Frecuencia de CEEA
Sin invertir los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
audit03 ~ cp*disfrute
audit03 ~ b1*compromiso
audit03 ~ b2*realpers
# 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)## Warning in lav_samplestats_from_data(lavdata = lavdata, lavoptions = lavoptions, : lavaan WARNING: number of observations (363) too small to compute Gammatabla_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 | 1.967 | 0.927 | 0.922 | 0.052 | 0.068 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 78 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 90
##
## Used Total
## Number of observations 363 475
##
## Model Test User Model:
##
## Test statistic 1436.132
## Degrees of freedom 730
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 10469.278
## Degrees of freedom 780
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.927
## Tucker-Lewis Index (TLI) 0.922
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.052
## 90 Percent confidence interval - lower 0.048
## 90 Percent confidence interval - upper 0.056
## P-value H_0: RMSEA <= 0.050 0.237
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.068
##
## 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
## afectopos =~
## edid02 1.000 0.349 0.602
## edid05 0.847 0.091 9.342 0.000 0.295 0.591
## edid07 1.314 0.116 11.373 0.000 0.458 0.659
## edid08 1.171 0.107 10.900 0.000 0.408 0.700
## edid12 1.107 0.104 10.655 0.000 0.386 0.719
## edid15 1.233 0.111 11.119 0.000 0.430 0.556
## edid16 0.852 0.091 9.377 0.000 0.297 0.565
## edid17 1.013 0.099 10.239 0.000 0.353 0.451
## involucramiento =~
## edid01 1.000 0.418 0.580
## edid03 0.196 0.060 3.289 0.001 0.082 0.068
## edid04 1.382 0.105 13.191 0.000 0.577 0.716
## edid06 1.228 0.097 12.690 0.000 0.513 0.604
## edid09 -0.010 0.058 -0.167 0.868 -0.004 -0.003
## edid10 -0.121 0.059 -2.056 0.040 -0.050 -0.036
## edid11 1.385 0.105 13.197 0.000 0.578 0.690
## edid13 1.111 0.091 12.214 0.000 0.464 0.464
## edid14 1.418 0.107 13.289 0.000 0.592 0.629
## disfrute =~
## afectopos 1.000 0.872 0.872
## involucramient 1.077 0.103 10.483 0.000 0.784 0.784
## confianza =~
## aeq01 1.000 0.637 0.663
## aeq05 1.342 0.074 18.110 0.000 0.855 0.829
## aeq09 1.243 0.070 17.783 0.000 0.792 0.772
## aeq13 1.214 0.069 17.670 0.000 0.773 0.755
## vigor =~
## aeq02 1.000 0.527 0.668
## aeq06 1.044 0.069 15.207 0.000 0.550 0.672
## aeq10 1.119 0.072 15.632 0.000 0.590 0.748
## aeq14 0.957 0.065 14.640 0.000 0.505 0.600
## dedicacion =~
## aeq03 1.000 0.597 0.722
## aeq07 0.902 0.055 16.527 0.000 0.539 0.657
## aeq11 1.076 0.060 17.836 0.000 0.643 0.713
## aeq15 0.897 0.054 16.488 0.000 0.536 0.658
## entusiasmo =~
## aeq04 1.000 0.471 0.682
## aeq08 1.206 0.091 13.227 0.000 0.568 0.788
## aeq12 1.073 0.085 12.665 0.000 0.505 0.745
## aeq16 0.718 0.070 10.322 0.000 0.338 0.592
## compromiso =~
## confianza 1.000 0.665 0.665
## vigor 1.075 0.074 14.601 0.000 0.863 0.863
## dedicacion 1.279 0.082 15.592 0.000 0.906 0.906
## entusiasmo 0.866 0.066 13.166 0.000 0.778 0.778
## realpers =~
## esar01 1.000 0.529 0.796
## esar02 0.765 0.059 12.896 0.000 0.405 0.602
## esar03 0.740 0.059 12.652 0.000 0.392 0.640
## esar04 1.725 0.100 17.331 0.000 0.913 0.818
## esar05 1.596 0.093 17.098 0.000 0.845 0.752
## esar06 1.534 0.090 16.959 0.000 0.812 0.673
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.216 0.109 11.172 0.000 0.873 0.873
## realpers ~
## disfrute (a2) 1.159 0.103 11.283 0.000 0.666 0.666
## audit03 ~
## disfrute (cp) -0.246 0.727 -0.339 0.735 -0.075 -0.070
## compromis (b1) -0.202 0.433 -0.465 0.642 -0.085 -0.079
## realpers (b2) 0.102 0.138 0.742 0.458 0.054 0.050
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.213 0.056 3.840 0.000 0.213 0.637
## .edid05 0.163 0.055 2.979 0.003 0.163 0.651
## .edid07 0.274 0.058 4.691 0.000 0.274 0.566
## .edid08 0.174 0.057 3.049 0.002 0.174 0.510
## .edid12 0.139 0.056 2.468 0.014 0.139 0.483
## .edid15 0.413 0.058 7.180 0.000 0.413 0.691
## .edid16 0.188 0.055 3.447 0.001 0.188 0.681
## .edid17 0.488 0.056 8.773 0.000 0.488 0.797
## .edid01 0.343 0.057 6.043 0.000 0.343 0.663
## .edid03 1.449 0.053 27.484 0.000 1.449 0.995
## .edid04 0.317 0.061 5.162 0.000 0.317 0.488
## .edid06 0.458 0.059 7.730 0.000 0.458 0.635
## .edid09 1.906 0.053 36.271 0.000 1.906 1.000
## .edid10 1.953 0.053 37.124 0.000 1.953 0.999
## .edid11 0.369 0.061 6.002 0.000 0.369 0.525
## .edid13 0.787 0.058 13.579 0.000 0.787 0.785
## .edid14 0.535 0.062 8.639 0.000 0.535 0.604
## .aeq01 0.517 0.063 8.226 0.000 0.517 0.560
## .aeq05 0.332 0.073 4.549 0.000 0.332 0.313
## .aeq09 0.425 0.070 6.106 0.000 0.425 0.404
## .aeq13 0.450 0.069 6.555 0.000 0.450 0.429
## .aeq02 0.345 0.061 5.672 0.000 0.345 0.554
## .aeq06 0.367 0.062 5.944 0.000 0.367 0.548
## .aeq10 0.274 0.064 4.296 0.000 0.274 0.440
## .aeq14 0.451 0.060 7.538 0.000 0.451 0.639
## .aeq03 0.328 0.063 5.245 0.000 0.328 0.479
## .aeq07 0.382 0.060 6.347 0.000 0.382 0.568
## .aeq11 0.400 0.065 6.175 0.000 0.400 0.492
## .aeq15 0.376 0.060 6.262 0.000 0.376 0.567
## .aeq04 0.256 0.061 4.205 0.000 0.256 0.535
## .aeq08 0.197 0.067 2.956 0.003 0.197 0.379
## .aeq12 0.205 0.063 3.281 0.001 0.205 0.446
## .aeq16 0.211 0.056 3.768 0.000 0.211 0.649
## .esar01 0.162 0.059 2.741 0.006 0.162 0.366
## .esar02 0.289 0.056 5.142 0.000 0.289 0.638
## .esar03 0.221 0.056 3.954 0.000 0.221 0.590
## .esar04 0.413 0.074 5.576 0.000 0.413 0.331
## .esar05 0.547 0.070 7.771 0.000 0.547 0.434
## .esar06 0.796 0.069 11.561 0.000 0.796 0.547
## .audit03 1.138 0.053 21.401 0.000 1.138 0.986
## .afectopos 0.029 0.011 2.736 0.006 0.240 0.240
## .involucramient 0.067 0.013 5.308 0.000 0.385 0.385
## disfrute 0.092 0.013 7.023 0.000 1.000 1.000
## .confianza 0.227 0.024 9.308 0.000 0.558 0.558
## .vigor 0.071 0.024 2.998 0.003 0.256 0.256
## .dedicacion 0.064 0.027 2.337 0.019 0.180 0.180
## .entusiasmo 0.087 0.024 3.585 0.000 0.394 0.394
## .compromiso 0.042 0.009 4.938 0.000 0.237 0.237
## .realpers 0.156 0.017 8.973 0.000 0.557 0.557
##
## R-Square:
## Estimate
## edid02 0.363
## edid05 0.349
## edid07 0.434
## edid08 0.490
## edid12 0.517
## edid15 0.309
## edid16 0.319
## edid17 0.203
## edid01 0.337
## edid03 0.005
## edid04 0.512
## edid06 0.365
## edid09 0.000
## edid10 0.001
## edid11 0.475
## edid13 0.215
## edid14 0.396
## aeq01 0.440
## aeq05 0.687
## aeq09 0.596
## aeq13 0.571
## aeq02 0.446
## aeq06 0.452
## aeq10 0.560
## aeq14 0.361
## aeq03 0.521
## aeq07 0.432
## aeq11 0.508
## aeq15 0.433
## aeq04 0.465
## aeq08 0.621
## aeq12 0.554
## aeq16 0.351
## esar01 0.634
## esar02 0.362
## esar03 0.410
## esar04 0.669
## esar05 0.566
## esar06 0.453
## audit03 0.014
## afectopos 0.760
## involucramient 0.615
## confianza 0.442
## vigor 0.744
## dedicacion 0.820
## entusiasmo 0.606
## compromiso 0.763
## realpers 0.443
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.245 0.527 -0.465 0.642 -0.075 -0.069
## ab2 0.118 0.160 0.739 0.460 0.036 0.033
## total -0.373 0.129 -2.895 0.004 -0.113 -0.106semPaths(# Argumentos globales
fit_uls, what="std", 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,
residuals = F
)
El ajuste general del modelo es aceptable. En la composición de las latentes, los ítems 9 y 10 de la EDID (involucramiento) no fueron significativo, aunque el 3 también tiene una carga factorial muy bajita. A diferencia de lo que veíamos antes, ambos aspectos tienen igual importancia en la composición del disfrute. Respecto al compromiso, también tienen importancias parecidas las 4 subdimensiones, aunque confianza aparece un poco por debajo que las demás. Al analizar los efectos, se da una situación compleja: ni el efecto directo (\(\beta_{std}\) = -0.07) ni el indirecto a través del compromiso (\(\beta_{std}\) = -0.07) o de la realización personal (\(\beta_{std}\) = 0.03) resultaron significativos, pero sí el efecto total (i.e., la suma de los tres; \(\beta_{std}\) = -0.11). Puede que esto se deba a la colinealidad entre los tres predictores.
latentes <- as.data.frame(lavPredict(fit_uls))
latentes$audit03 <- datos$audit03[!is.na(rowMeans(datos[,c(15:53,56)]))]
latentes %>%
lm(audit03~disfrute,.) %>%
summary()##
## Call:
## lm(formula = audit03 ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3283 -0.9320 -0.1019 0.9353 3.0329
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.99090 0.05613 17.654 <2e-16 ***
## disfrute -0.42837 0.20011 -2.141 0.033 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.069 on 361 degrees of freedom
## Multiple R-squared: 0.01253, Adjusted R-squared: 0.009799
## F-statistic: 4.582 on 1 and 361 DF, p-value: 0.03297latentes %>%
lm(audit03~compromiso,.) %>%
summary()##
## Call:
## lm(formula = audit03 ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4729 -0.9340 -0.1062 0.9220 2.9942
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.99094 0.05608 17.670 <2e-16 ***
## compromiso -0.32358 0.14232 -2.274 0.0236 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.068 on 361 degrees of freedom
## Multiple R-squared: 0.01412, Adjusted R-squared: 0.01139
## F-statistic: 5.17 on 1 and 361 DF, p-value: 0.02357latentes %>%
lm(audit03~realpers,.) %>%
summary()##
## Call:
## lm(formula = audit03 ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.23606 -0.95662 -0.05387 0.96601 3.05352
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.98871 0.05633 17.551 <2e-16 ***
## realpers -0.15651 0.11641 -1.344 0.18
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.073 on 361 degrees of freedom
## Multiple R-squared: 0.004982, Adjusted R-squared: 0.002226
## F-statistic: 1.808 on 1 and 361 DF, p-value: 0.1796Si analizamos las tres variables por separado, la realización personal sigue sin ser significativa en la predicción de la frecuencia de CEEA.
Por otro lado, se me ocurrió probar las interacciones entre disfrute y compromiso.
mod1 <- latentes %>%
lm(audit03~(disfrute*compromiso)+realpers,.)
mod1 %>% summary()##
## Call:
## lm(formula = audit03 ~ (disfrute * compromiso) + realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.2577 -0.9553 -0.1448 0.8563 2.8963
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.10196 0.07174 15.360 <2e-16 ***
## disfrute -0.36165 0.78704 -0.460 0.6461
## compromiso -0.33484 0.47439 -0.706 0.4808
## realpers 0.08708 0.19989 0.436 0.6633
## disfrute:compromiso -1.03918 0.42381 -2.452 0.0147 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.064 on 358 degrees of freedom
## Multiple R-squared: 0.03087, Adjusted R-squared: 0.02004
## F-statistic: 2.851 on 4 and 358 DF, p-value: 0.02382datos_graf <- data.frame(consumo=rep(NA,4),
disfrute=rep(c(min(latentes$disfrute),max(latentes$disfrute)),2),
realpers=rep(mean(latentes$realpers),4),
compromiso=c(rep(quantile(latentes$compromiso,.15),2),rep(quantile(latentes$compromiso,.85),2)),
comp_cuali=c(rep("bajo (q = .15)",2),rep("alto (q = .85)",2)))
for(i in 1:4){
datos_graf$consumo[i] <- predict(mod1, newdata=datos_graf[i,])
}
colnames(datos_graf) <- c("Frec. CEEA", "disfrute", "realpers","comp","compromiso")
ggplot(datos_graf,aes(x=disfrute, y=`Frec. CEEA`, color=compromiso))+
geom_point(size=7)+
geom_line(lwd=2)+
theme_minimal()
En gráfico se está controlando por realización personal
Invirtiendo los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
audit03 ~ cp*disfrute
audit03 ~ b1*compromiso
audit03 ~ b2*realpers
# 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 = datos2)## Warning in lav_samplestats_from_data(lavdata = lavdata, lavoptions = lavoptions, : lavaan WARNING: number of observations (363) too small to compute Gammatabla_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 | 1.068 | 0.995 | 0.995 | 0.014 | 0.067 |
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 90
##
## Used Total
## Number of observations 363 475
##
## Model Test User Model:
##
## Test statistic 779.304
## Degrees of freedom 730
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 10856.208
## Degrees of freedom 780
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.995
## Tucker-Lewis Index (TLI) 0.995
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.014
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.021
## P-value H_0: RMSEA <= 0.050 1.000
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.067
##
## 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
## afectopos =~
## edid02 1.000 0.336 0.580
## edid05 0.879 0.093 9.450 0.000 0.295 0.590
## edid07 1.391 0.121 11.501 0.000 0.467 0.671
## edid08 1.188 0.109 10.876 0.000 0.399 0.684
## edid12 1.162 0.108 10.782 0.000 0.390 0.727
## edid15 1.288 0.115 11.208 0.000 0.432 0.559
## edid16 0.901 0.094 9.574 0.000 0.302 0.575
## edid17 1.055 0.102 10.348 0.000 0.354 0.453
## involucramiento =~
## edid01 1.000 0.433 0.602
## edid03 -1.154 0.087 -13.239 0.000 -0.500 -0.424
## edid04 1.326 0.095 13.905 0.000 0.575 0.712
## edid06 1.302 0.094 13.822 0.000 0.564 0.664
## edid09 -1.155 0.087 -13.241 0.000 -0.500 -0.406
## edid10 -1.210 0.090 -13.475 0.000 -0.524 -0.470
## edid11 1.428 0.100 14.219 0.000 0.619 0.738
## edid13 1.117 0.085 13.067 0.000 0.484 0.483
## edid14 1.424 0.100 14.206 0.000 0.617 0.655
## disfrute =~
## afectopos 1.000 0.880 0.880
## involucramient 1.012 0.095 10.690 0.000 0.690 0.690
## confianza =~
## aeq01 1.000 0.640 0.666
## aeq05 1.346 0.073 18.447 0.000 0.861 0.836
## aeq09 1.228 0.068 18.038 0.000 0.785 0.766
## aeq13 1.203 0.067 17.937 0.000 0.770 0.752
## vigor =~
## aeq02 1.000 0.534 0.676
## aeq06 1.043 0.066 15.865 0.000 0.557 0.680
## aeq10 1.071 0.067 16.037 0.000 0.572 0.725
## aeq14 0.962 0.063 15.309 0.000 0.513 0.611
## dedicacion =~
## aeq03 1.000 0.598 0.722
## aeq07 0.902 0.054 16.709 0.000 0.539 0.657
## aeq11 1.077 0.060 18.043 0.000 0.644 0.714
## aeq15 0.895 0.054 16.647 0.000 0.535 0.656
## entusiasmo =~
## aeq04 1.000 0.462 0.669
## aeq08 1.215 0.092 13.179 0.000 0.562 0.780
## aeq12 1.115 0.087 12.774 0.000 0.516 0.760
## aeq16 0.747 0.071 10.489 0.000 0.345 0.605
## compromiso =~
## confianza 1.000 0.665 0.665
## vigor 1.102 0.073 15.089 0.000 0.878 0.878
## dedicacion 1.256 0.079 15.884 0.000 0.894 0.894
## entusiasmo 0.837 0.063 13.228 0.000 0.770 0.770
## realpers =~
## esar01 1.000 0.537 0.808
## esar02 0.777 0.059 13.133 0.000 0.417 0.620
## esar03 0.736 0.058 12.729 0.000 0.395 0.646
## esar04 1.701 0.098 17.409 0.000 0.913 0.818
## esar05 1.560 0.091 17.142 0.000 0.838 0.746
## esar06 1.484 0.088 16.959 0.000 0.797 0.661
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.293 0.115 11.237 0.000 0.897 0.897
## realpers ~
## disfrute (a2) 1.159 0.103 11.292 0.000 0.638 0.638
## audit03 ~
## disfrute (cp) -0.550 0.845 -0.651 0.515 -0.162 -0.151
## compromis (b1) -0.024 0.517 -0.046 0.964 -0.010 -0.009
## realpers (b2) 0.117 0.123 0.950 0.342 0.063 0.059
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.222 0.055 4.027 0.000 0.222 0.664
## .edid05 0.163 0.055 2.987 0.003 0.163 0.652
## .edid07 0.266 0.058 4.548 0.000 0.266 0.550
## .edid08 0.181 0.057 3.206 0.001 0.181 0.533
## .edid12 0.136 0.056 2.416 0.016 0.136 0.472
## .edid15 0.411 0.057 7.161 0.000 0.411 0.688
## .edid16 0.185 0.055 3.393 0.001 0.185 0.670
## .edid17 0.488 0.056 8.774 0.000 0.488 0.795
## .edid01 0.330 0.057 5.826 0.000 0.330 0.638
## .edid03 1.138 0.058 19.583 0.000 1.138 0.820
## .edid04 0.320 0.060 5.331 0.000 0.320 0.492
## .edid06 0.403 0.060 6.751 0.000 0.403 0.559
## .edid09 1.269 0.058 21.824 0.000 1.269 0.835
## .edid10 0.971 0.059 16.529 0.000 0.971 0.779
## .edid11 0.320 0.061 5.223 0.000 0.320 0.456
## .edid13 0.768 0.058 13.300 0.000 0.768 0.767
## .edid14 0.506 0.061 8.247 0.000 0.506 0.571
## .aeq01 0.514 0.063 8.187 0.000 0.514 0.557
## .aeq05 0.321 0.073 4.393 0.000 0.321 0.302
## .aeq09 0.434 0.069 6.303 0.000 0.434 0.413
## .aeq13 0.455 0.068 6.678 0.000 0.455 0.434
## .aeq02 0.338 0.061 5.559 0.000 0.338 0.542
## .aeq06 0.360 0.062 5.824 0.000 0.360 0.537
## .aeq10 0.295 0.062 4.719 0.000 0.295 0.474
## .aeq14 0.442 0.060 7.376 0.000 0.442 0.627
## .aeq03 0.328 0.062 5.249 0.000 0.328 0.479
## .aeq07 0.382 0.060 6.353 0.000 0.382 0.568
## .aeq11 0.399 0.065 6.169 0.000 0.399 0.491
## .aeq15 0.378 0.060 6.299 0.000 0.378 0.569
## .aeq04 0.264 0.060 4.373 0.000 0.264 0.552
## .aeq08 0.203 0.066 3.084 0.002 0.203 0.392
## .aeq12 0.195 0.063 3.089 0.002 0.195 0.423
## .aeq16 0.206 0.056 3.671 0.000 0.206 0.634
## .esar01 0.154 0.059 2.595 0.009 0.154 0.348
## .esar02 0.279 0.056 4.940 0.000 0.279 0.616
## .esar03 0.219 0.056 3.901 0.000 0.219 0.583
## .esar04 0.412 0.074 5.554 0.000 0.412 0.331
## .esar05 0.560 0.070 7.974 0.000 0.560 0.444
## .esar06 0.820 0.068 12.019 0.000 0.820 0.564
## .audit03 1.135 0.054 21.015 0.000 1.135 0.983
## .afectopos 0.025 0.010 2.600 0.009 0.226 0.226
## .involucramient 0.098 0.013 7.642 0.000 0.524 0.524
## disfrute 0.087 0.013 6.980 0.000 1.000 1.000
## .confianza 0.228 0.024 9.406 0.000 0.557 0.557
## .vigor 0.065 0.024 2.706 0.007 0.228 0.228
## .dedicacion 0.072 0.027 2.625 0.009 0.200 0.200
## .entusiasmo 0.087 0.023 3.700 0.000 0.407 0.407
## .compromiso 0.035 0.008 4.181 0.000 0.195 0.195
## .realpers 0.171 0.018 9.315 0.000 0.593 0.593
##
## R-Square:
## Estimate
## edid02 0.336
## edid05 0.348
## edid07 0.450
## edid08 0.467
## edid12 0.528
## edid15 0.312
## edid16 0.330
## edid17 0.205
## edid01 0.362
## edid03 0.180
## edid04 0.508
## edid06 0.441
## edid09 0.165
## edid10 0.221
## edid11 0.544
## edid13 0.233
## edid14 0.429
## aeq01 0.443
## aeq05 0.698
## aeq09 0.587
## aeq13 0.566
## aeq02 0.458
## aeq06 0.463
## aeq10 0.526
## aeq14 0.373
## aeq03 0.521
## aeq07 0.432
## aeq11 0.509
## aeq15 0.431
## aeq04 0.448
## aeq08 0.608
## aeq12 0.577
## aeq16 0.366
## esar01 0.652
## esar02 0.384
## esar03 0.417
## esar04 0.669
## esar05 0.556
## esar06 0.436
## audit03 0.017
## afectopos 0.774
## involucramient 0.476
## confianza 0.443
## vigor 0.772
## dedicacion 0.800
## entusiasmo 0.593
## compromiso 0.805
## realpers 0.407
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.031 0.668 -0.046 0.964 -0.009 -0.008
## ab2 0.136 0.144 0.946 0.344 0.040 0.037
## total -0.445 0.127 -3.501 0.000 -0.131 -0.122semPaths(# Argumentos globales
fit_uls, what="std", 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,
residuals = F
)
El ajuste general del modelo hermoso. En la composición de las latentes, los ítems 3, 9 y 10 de la EDID (involucramiento) tienen cargas factoriales muy negativas (asumo que es indicador de que no había que invertirlos). Ambos aspectos tienen igual importancia en la composición del disfrute. Respecto al compromiso, también tienen importancias parecidas las 4 subdimensiones, aunque confianza aparece un poco por debajo que las demás. Al analizar los efectos, se da una situación compleja: ni el efecto directo (\(\beta_{std}\) = -0.15) ni el indirecto a través del compromiso (\(\beta_{std}\) = -0.01) o de la realización personal (\(\beta_{std}\) = 0.04) resultaron significativos, pero sí el efecto total (i.e., la suma de los tres; \(\beta_{std}\) = -0.12). Puede que esto se deba a la colinealidad entre los tres predictores.
latentes <- as.data.frame(lavPredict(fit_uls))
latentes$audit03 <- datos2$audit03[!is.na(rowMeans(datos2[,c(15:53,56)]))]
latentes %>%
lm(audit03~disfrute,.) %>%
summary()##
## Call:
## lm(formula = audit03 ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3591 -0.9216 -0.1286 0.9270 3.0327
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.99229 0.05606 17.702 <2e-16 ***
## disfrute -0.48816 0.20535 -2.377 0.018 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.068 on 361 degrees of freedom
## Multiple R-squared: 0.01541, Adjusted R-squared: 0.01269
## F-statistic: 5.651 on 1 and 361 DF, p-value: 0.01796latentes %>%
lm(audit03~compromiso,.) %>%
summary()##
## Call:
## lm(formula = audit03 ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4546 -0.9345 -0.1087 0.9183 3.0048
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.99056 0.05609 17.660 <2e-16 ***
## compromiso -0.31784 0.14159 -2.245 0.0254 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.069 on 361 degrees of freedom
## Multiple R-squared: 0.01377, Adjusted R-squared: 0.01103
## F-statistic: 5.039 on 1 and 361 DF, p-value: 0.02539latentes %>%
lm(audit03~realpers,.) %>%
summary()##
## Call:
## lm(formula = audit03 ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.24454 -0.95606 -0.05699 0.96252 3.05320
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.98870 0.05633 17.553 <2e-16 ***
## realpers -0.15885 0.11499 -1.381 0.168
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.073 on 361 degrees of freedom
## Multiple R-squared: 0.005258, Adjusted R-squared: 0.002503
## F-statistic: 1.908 on 1 and 361 DF, p-value: 0.168Si analizamos las tres variables por separado, la realización personal sigue sin ser significativa en la predicción de la frecuencia de CEEA.
Por otro lado, se me ocurrió probar las interacciones entre disfrute y compromiso.
mod1 <- latentes %>%
lm(audit03~(disfrute*compromiso)+realpers,.)
mod1 %>% summary()##
## Call:
## lm(formula = audit03 ~ (disfrute * compromiso) + realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3545 -0.9424 -0.1382 0.8303 2.9524
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.11353 0.07214 15.436 <2e-16 ***
## disfrute -1.35489 0.93054 -1.456 0.1463
## compromiso 0.23194 0.55650 0.417 0.6771
## realpers 0.18431 0.19494 0.945 0.3451
## disfrute:compromiso -1.11418 0.43080 -2.586 0.0101 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.061 on 358 degrees of freedom
## Multiple R-squared: 0.03571, Adjusted R-squared: 0.02494
## F-statistic: 3.315 on 4 and 358 DF, p-value: 0.01101datos_graf <- data.frame(consumo=rep(NA,4),
disfrute=rep(c(min(latentes$disfrute),max(latentes$disfrute)),2),
realpers=rep(mean(latentes$realpers),4),
compromiso=c(rep(quantile(latentes$compromiso,.15),2),rep(quantile(latentes$compromiso,.85),2)),
comp_cuali=c(rep("bajo (q = .15)",2),rep("alto (q = .85)",2)))
for(i in 1:4){
datos_graf$consumo[i] <- predict(mod1, newdata=datos_graf[i,])
}
colnames(datos_graf) <- c("Frec. CEEA", "disfrute", "realpers","comp","compromiso")
ggplot(datos_graf,aes(x=disfrute, y=`Frec. CEEA`, color=compromiso))+
geom_point(size=7)+
geom_line(lwd=2)+
theme_minimal()
En gráfico se está controlando por realización personal
Consumo integrado
Cree una variable latente “consumo” de donde se derivan los 3 ítems del audit. Sume disfrute, realización personal y compromiso.
Sin invertir los items 3, 9 y 10 de la base Vani
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
consumo =~ audit01 + audit02 + audit03
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
consumo ~ cp*disfrute
consumo ~ b1*compromiso
consumo ~ b2*realpers
# 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 | 2.011 | 0.922 | 0.917 | 0.053 | 0.068 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 76 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 95
##
## Used Total
## Number of observations 358 475
##
## Model Test User Model:
##
## Test statistic 1624.773
## Degrees of freedom 808
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 11298.995
## Degrees of freedom 861
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.922
## Tucker-Lewis Index (TLI) 0.917
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.053
## 90 Percent confidence interval - lower 0.049
## 90 Percent confidence interval - upper 0.057
## P-value H_0: RMSEA <= 0.050 0.079
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.068
##
## 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
## afectopos =~
## edid02 1.000 0.345 0.601
## edid05 0.850 0.093 9.189 0.000 0.293 0.587
## edid07 1.331 0.119 11.211 0.000 0.459 0.657
## edid08 1.183 0.110 10.744 0.000 0.408 0.700
## edid12 1.132 0.107 10.553 0.000 0.390 0.726
## edid15 1.264 0.115 11.011 0.000 0.436 0.563
## edid16 0.857 0.093 9.230 0.000 0.296 0.562
## edid17 0.992 0.100 9.952 0.000 0.342 0.447
## involucramiento =~
## edid01 1.000 0.412 0.575
## edid03 0.158 0.060 2.639 0.008 0.065 0.054
## edid04 1.396 0.107 13.067 0.000 0.576 0.712
## edid06 1.244 0.099 12.586 0.000 0.513 0.602
## edid09 -0.071 0.059 -1.203 0.229 -0.029 -0.021
## edid10 -0.178 0.060 -2.965 0.003 -0.074 -0.052
## edid11 1.409 0.108 13.103 0.000 0.581 0.689
## edid13 1.135 0.093 12.161 0.000 0.468 0.466
## edid14 1.434 0.109 13.170 0.000 0.591 0.629
## disfrute =~
## afectopos 1.000 0.865 0.865
## involucramient 1.088 0.105 10.324 0.000 0.787 0.787
## confianza =~
## aeq01 1.000 0.628 0.660
## aeq05 1.347 0.075 18.040 0.000 0.846 0.822
## aeq09 1.252 0.071 17.724 0.000 0.787 0.768
## aeq13 1.236 0.070 17.660 0.000 0.777 0.758
## vigor =~
## aeq02 1.000 0.533 0.671
## aeq06 1.032 0.068 15.215 0.000 0.550 0.670
## aeq10 1.118 0.071 15.708 0.000 0.596 0.757
## aeq14 0.937 0.064 14.577 0.000 0.500 0.594
## dedicacion =~
## aeq03 1.000 0.596 0.720
## aeq07 0.900 0.055 16.333 0.000 0.536 0.654
## aeq11 1.094 0.062 17.757 0.000 0.652 0.718
## aeq15 0.895 0.055 16.292 0.000 0.533 0.654
## entusiasmo =~
## aeq04 1.000 0.472 0.682
## aeq08 1.201 0.092 13.117 0.000 0.567 0.788
## aeq12 1.075 0.085 12.586 0.000 0.507 0.745
## aeq16 0.698 0.069 10.077 0.000 0.330 0.583
## compromiso =~
## confianza 1.000 0.680 0.680
## vigor 1.074 0.073 14.618 0.000 0.860 0.860
## dedicacion 1.252 0.081 15.496 0.000 0.898 0.898
## entusiasmo 0.854 0.065 13.096 0.000 0.772 0.772
## realpers =~
## esar01 1.000 0.531 0.795
## esar02 0.758 0.059 12.790 0.000 0.402 0.599
## esar03 0.745 0.059 12.669 0.000 0.395 0.645
## esar04 1.732 0.100 17.297 0.000 0.919 0.820
## esar05 1.592 0.093 17.045 0.000 0.845 0.752
## esar06 1.527 0.090 16.897 0.000 0.810 0.669
## consumo =~
## audit01 1.000 0.898 0.870
## audit02 0.951 0.082 11.584 0.000 0.853 0.761
## audit03 1.029 0.091 11.261 0.000 0.924 0.864
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.257 0.114 11.025 0.000 0.878 0.878
## realpers ~
## disfrute (a2) 1.178 0.106 11.138 0.000 0.663 0.663
## consumo ~
## disfrute (cp) -0.174 0.448 -0.388 0.698 -0.058 -0.058
## compromis (b1) -0.181 0.262 -0.689 0.491 -0.086 -0.086
## realpers (b2) -0.007 0.080 -0.086 0.931 -0.004 -0.004
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.211 0.056 3.766 0.000 0.211 0.639
## .edid05 0.164 0.055 2.975 0.003 0.164 0.655
## .edid07 0.277 0.059 4.702 0.000 0.277 0.568
## .edid08 0.173 0.057 3.014 0.003 0.173 0.509
## .edid12 0.137 0.057 2.402 0.016 0.137 0.473
## .edid15 0.409 0.058 7.035 0.000 0.409 0.683
## .edid16 0.190 0.055 3.448 0.001 0.190 0.685
## .edid17 0.468 0.056 8.374 0.000 0.468 0.800
## .edid01 0.344 0.057 6.036 0.000 0.344 0.670
## .edid03 1.441 0.053 27.182 0.000 1.441 0.997
## .edid04 0.323 0.062 5.232 0.000 0.323 0.494
## .edid06 0.463 0.060 7.762 0.000 0.463 0.638
## .edid09 1.917 0.053 36.216 0.000 1.917 1.000
## .edid10 1.967 0.053 37.080 0.000 1.967 0.997
## .edid11 0.373 0.062 6.032 0.000 0.373 0.525
## .edid13 0.789 0.058 13.515 0.000 0.789 0.783
## .edid14 0.535 0.062 8.583 0.000 0.535 0.605
## .aeq01 0.512 0.063 8.149 0.000 0.512 0.565
## .aeq05 0.344 0.073 4.728 0.000 0.344 0.325
## .aeq09 0.432 0.070 6.205 0.000 0.432 0.411
## .aeq13 0.446 0.069 6.454 0.000 0.446 0.425
## .aeq02 0.346 0.061 5.643 0.000 0.346 0.549
## .aeq06 0.371 0.062 5.968 0.000 0.371 0.551
## .aeq10 0.265 0.064 4.121 0.000 0.265 0.427
## .aeq14 0.458 0.060 7.616 0.000 0.458 0.647
## .aeq03 0.329 0.063 5.230 0.000 0.329 0.481
## .aeq07 0.383 0.060 6.338 0.000 0.383 0.572
## .aeq11 0.400 0.066 6.089 0.000 0.400 0.485
## .aeq15 0.380 0.060 6.299 0.000 0.380 0.572
## .aeq04 0.257 0.061 4.192 0.000 0.257 0.536
## .aeq08 0.196 0.067 2.930 0.003 0.196 0.379
## .aeq12 0.206 0.063 3.259 0.001 0.206 0.444
## .aeq16 0.211 0.056 3.742 0.000 0.211 0.660
## .esar01 0.164 0.059 2.755 0.006 0.164 0.367
## .esar02 0.288 0.057 5.095 0.000 0.288 0.641
## .esar03 0.220 0.056 3.901 0.000 0.220 0.585
## .esar04 0.413 0.075 5.520 0.000 0.413 0.328
## .esar05 0.550 0.071 7.763 0.000 0.550 0.435
## .esar06 0.810 0.069 11.720 0.000 0.810 0.553
## .audit01 0.259 0.102 2.541 0.011 0.259 0.243
## .audit02 0.529 0.095 5.553 0.000 0.529 0.421
## .audit03 0.289 0.106 2.723 0.006 0.289 0.253
## .afectopos 0.030 0.011 2.828 0.005 0.252 0.252
## .involucramient 0.065 0.012 5.208 0.000 0.380 0.380
## disfrute 0.089 0.013 6.894 0.000 1.000 1.000
## .confianza 0.213 0.024 8.993 0.000 0.538 0.538
## .vigor 0.074 0.024 3.060 0.002 0.261 0.261
## .dedicacion 0.069 0.027 2.513 0.012 0.194 0.194
## .entusiasmo 0.090 0.025 3.628 0.000 0.403 0.403
## .compromiso 0.042 0.009 4.745 0.000 0.229 0.229
## .realpers 0.158 0.018 8.975 0.000 0.561 0.561
## .consumo 0.790 0.086 9.229 0.000 0.980 0.980
##
## R-Square:
## Estimate
## edid02 0.361
## edid05 0.345
## edid07 0.432
## edid08 0.491
## edid12 0.527
## edid15 0.317
## edid16 0.315
## edid17 0.200
## edid01 0.330
## edid03 0.003
## edid04 0.506
## edid06 0.362
## edid09 0.000
## edid10 0.003
## edid11 0.475
## edid13 0.217
## edid14 0.395
## aeq01 0.435
## aeq05 0.675
## aeq09 0.589
## aeq13 0.575
## aeq02 0.451
## aeq06 0.449
## aeq10 0.573
## aeq14 0.353
## aeq03 0.519
## aeq07 0.428
## aeq11 0.515
## aeq15 0.428
## aeq04 0.464
## aeq08 0.621
## aeq12 0.556
## aeq16 0.340
## esar01 0.633
## esar02 0.359
## esar03 0.415
## esar04 0.672
## esar05 0.565
## esar06 0.447
## audit01 0.757
## audit02 0.579
## audit03 0.747
## afectopos 0.748
## involucramient 0.620
## confianza 0.462
## vigor 0.739
## dedicacion 0.806
## entusiasmo 0.597
## compromiso 0.771
## realpers 0.439
## consumo 0.020
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.227 0.330 -0.690 0.490 -0.076 -0.076
## ab2 -0.008 0.094 -0.086 0.931 -0.003 -0.003
## total -0.409 0.084 -4.854 0.000 -0.136 -0.136semPaths(# 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,
residuals = F,
structural = T
)
Los indicadores de bondad de ajuste son una preciosura. Los ítems invertidos saturan bastante flojo (incluso negativamente). Sucede eso raro, igual que en los otros modelos, que es que los efectos directos e indirectos no son signiticativos, pero sí el efecto total. Es posible que en la predicción del consumo ninguno de los predictores sea significativo por multicolinearidad (disfrute y compromiso tuvieron una relación muy alta y entre disfrute y realización personal tb es bastante elevada). Otra opción es que el efecto protector del disfrute no sea a través de una vía específica, sino por un cambio holistico en estos outcomes positivos que, en conjunto, prevengan el consumo de alcohol.
latentes <- as.data.frame(lavPredict(fit_uls))
latentes %>%
lm(consumo~disfrute,.) %>%
summary()##
## Call:
## lm(formula = consumo ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.2829 -0.8540 -0.0377 0.6505 1.8947
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.648e-17 4.403e-02 0.000 1.0000
## disfrute -4.624e-01 1.600e-01 -2.889 0.0041 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.833 on 356 degrees of freedom
## Multiple R-squared: 0.02291, Adjusted R-squared: 0.02017
## F-statistic: 8.349 on 1 and 356 DF, p-value: 0.004095latentes %>%
lm(consumo~compromiso,.) %>%
summary()##
## Call:
## lm(formula = consumo ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.44033 -0.84698 -0.04476 0.65491 1.90681
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.359e-17 4.400e-02 0.000 1.00000
## compromiso -3.275e-01 1.107e-01 -2.958 0.00331 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8325 on 356 degrees of freedom
## Multiple R-squared: 0.02398, Adjusted R-squared: 0.02124
## F-statistic: 8.748 on 1 and 356 DF, p-value: 0.003306latentes %>%
lm(consumo~realpers,.) %>%
summary()##
## Call:
## lm(formula = consumo ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.2237 -0.8747 -0.0529 0.6772 1.9290
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.996e-17 4.419e-02 0.000 1.0000
## realpers -2.153e-01 9.117e-02 -2.362 0.0187 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8362 on 356 degrees of freedom
## Multiple R-squared: 0.01543, Adjusted R-squared: 0.01266
## F-statistic: 5.578 on 1 and 356 DF, p-value: 0.01873Efectivamente, si analizamos las tres variables por separado, todas son significativas. De esta manera, casi que se confirma que es por un problema de multicolinealidad que los efectos directos e indirectos no son significativos.
Por otro lado, se me ocurrió probar las interacciones entre disfrute y compromiso y entre disfrute y realización personal. Sólo con compromiso fue significativa.
mod1 <- latentes %>%
lm(consumo~(disfrute*compromiso)+realpers,.)
mod1 %>% summary()##
## Call:
## lm(formula = consumo ~ (disfrute * compromiso) + realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.20058 -0.76047 -0.06643 0.61743 1.94380
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.09335 0.05591 1.670 0.09588 .
## disfrute -0.20443 0.64594 -0.316 0.75182
## compromiso -0.31592 0.38143 -0.828 0.40809
## realpers -0.04593 0.15549 -0.295 0.76788
## disfrute:compromiso -0.89515 0.33400 -2.680 0.00771 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8275 on 353 degrees of freedom
## Multiple R-squared: 0.04385, Adjusted R-squared: 0.03301
## F-statistic: 4.047 on 4 and 353 DF, p-value: 0.003196datos_graf <- data.frame(consumo=rep(NA,4),
disfrute=rep(c(min(latentes$disfrute),max(latentes$disfrute)),2),
realpers=rep(mean(latentes$realpers),4),
compromiso=c(rep(quantile(latentes$compromiso,.15),2),rep(quantile(latentes$compromiso,.85),2)),
comp_cuali=c(rep("bajo (q = .15)",2),rep("alto (q = .85)",2)))
for(i in 1:4){
datos_graf$consumo[i] <- predict(mod1, newdata=datos_graf[i,])
}
colnames(datos_graf) <- c("consumo", "disfrute", "realpers", "compr", "compromiso")
ggplot(datos_graf,aes(x=disfrute, y=consumo, color=compromiso))+
geom_point(size=7)+
geom_line(lwd=2)+
theme_minimal()
En gráfico se está controlando por realización personal
Modelo total (invirtiendo los items 3, 9 y 10 de la base Vani)
model <- '
afectopos =~ edid02 + edid05 + edid07 + edid08 + edid12 + edid15 + edid16 + edid17
involucramiento =~ edid01 + edid03 + edid04 + edid06 + edid09 + edid10 + edid11 + edid13 + edid14
disfrute =~ afectopos + involucramiento
confianza =~ aeq01 + aeq05 + aeq09 + aeq13
vigor =~ aeq02 + aeq06 + aeq10 + aeq14
dedicacion =~ aeq03 + aeq07 + aeq11 + aeq15
entusiasmo =~ aeq04 + aeq08 + aeq12 + aeq16
compromiso =~ confianza + vigor + dedicacion + entusiasmo
realpers =~ esar01 + esar02 + esar03 + esar04 + esar05 + esar06
consumo =~ audit01 + audit02 + audit03
# regressions
compromiso ~ a1*disfrute
realpers ~ a2*disfrute
consumo ~ cp*disfrute
consumo ~ b1*compromiso
consumo ~ b2*realpers
# 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 = datos2)
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 | 1.042 | 0.997 | 0.997 | 0.011 | 0.066 |
summary(fit_uls, standardized = TRUE, fit.measures=T, rsquare=T)## lavaan 0.6.16 ended normally after 87 iterations
##
## Estimator ULS
## Optimization method NLMINB
## Number of model parameters 95
##
## Used Total
## Number of observations 358 475
##
## Model Test User Model:
##
## Test statistic 841.630
## Degrees of freedom 808
## P-value (Unknown) NA
##
## Model Test Baseline Model:
##
## Test statistic 11532.566
## Degrees of freedom 861
## P-value NA
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.997
## Tucker-Lewis Index (TLI) 0.997
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.011
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.019
## P-value H_0: RMSEA <= 0.050 1.000
## P-value H_0: RMSEA >= 0.080 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.066
##
## 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
## afectopos =~
## edid02 1.000 0.332 0.579
## edid05 0.882 0.095 9.288 0.000 0.293 0.586
## edid07 1.408 0.124 11.331 0.000 0.468 0.670
## edid08 1.198 0.112 10.710 0.000 0.398 0.684
## edid12 1.185 0.111 10.664 0.000 0.394 0.733
## edid15 1.319 0.119 11.091 0.000 0.438 0.566
## edid16 0.907 0.096 9.427 0.000 0.301 0.572
## edid17 1.030 0.103 10.043 0.000 0.342 0.448
## involucramiento =~
## edid01 1.000 0.428 0.597
## edid03 -1.160 0.089 -13.056 0.000 -0.497 -0.423
## edid04 1.347 0.098 13.756 0.000 0.577 0.713
## edid06 1.321 0.097 13.669 0.000 0.565 0.664
## edid09 -1.155 0.089 -13.033 0.000 -0.494 -0.401
## edid10 -1.223 0.092 -13.316 0.000 -0.524 -0.468
## edid11 1.461 0.104 14.088 0.000 0.625 0.742
## edid13 1.139 0.088 12.964 0.000 0.488 0.486
## edid14 1.446 0.103 14.046 0.000 0.619 0.658
## disfrute =~
## afectopos 1.000 0.873 0.873
## involucramient 1.016 0.097 10.512 0.000 0.689 0.689
## confianza =~
## aeq01 1.000 0.631 0.663
## aeq05 1.350 0.073 18.386 0.000 0.852 0.828
## aeq09 1.238 0.069 17.992 0.000 0.781 0.762
## aeq13 1.225 0.068 17.939 0.000 0.773 0.755
## vigor =~
## aeq02 1.000 0.540 0.680
## aeq06 1.032 0.065 15.862 0.000 0.557 0.679
## aeq10 1.070 0.066 16.094 0.000 0.577 0.733
## aeq14 0.944 0.062 15.240 0.000 0.509 0.606
## dedicacion =~
## aeq03 1.000 0.596 0.720
## aeq07 0.899 0.055 16.497 0.000 0.536 0.654
## aeq11 1.095 0.061 17.954 0.000 0.653 0.719
## aeq15 0.893 0.054 16.440 0.000 0.532 0.652
## entusiasmo =~
## aeq04 1.000 0.464 0.669
## aeq08 1.211 0.093 13.056 0.000 0.562 0.780
## aeq12 1.117 0.088 12.677 0.000 0.518 0.761
## aeq16 0.726 0.071 10.226 0.000 0.336 0.595
## compromiso =~
## confianza 1.000 0.681 0.681
## vigor 1.098 0.073 15.102 0.000 0.875 0.875
## dedicacion 1.229 0.078 15.784 0.000 0.887 0.887
## entusiasmo 0.823 0.063 13.149 0.000 0.763 0.763
## realpers =~
## esar01 1.000 0.538 0.807
## esar02 0.769 0.059 13.014 0.000 0.414 0.617
## esar03 0.742 0.058 12.746 0.000 0.399 0.651
## esar04 1.709 0.098 17.360 0.000 0.919 0.820
## esar05 1.556 0.091 17.073 0.000 0.837 0.745
## esar06 1.477 0.087 16.882 0.000 0.795 0.656
## consumo =~
## audit01 1.000 0.899 0.871
## audit02 0.946 0.081 11.622 0.000 0.850 0.758
## audit03 1.031 0.091 11.274 0.000 0.927 0.867
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## compromiso ~
## disfrute (a1) 1.338 0.121 11.083 0.000 0.903 0.903
## realpers ~
## disfrute (a2) 1.176 0.106 11.140 0.000 0.634 0.634
## consumo ~
## disfrute (cp) -0.169 0.531 -0.317 0.751 -0.054 -0.054
## compromis (b1) -0.176 0.319 -0.551 0.582 -0.084 -0.084
## realpers (b2) -0.018 0.071 -0.248 0.804 -0.011 -0.011
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .edid02 0.219 0.056 3.943 0.000 0.219 0.665
## .edid05 0.164 0.055 2.983 0.003 0.164 0.656
## .edid07 0.268 0.059 4.552 0.000 0.268 0.551
## .edid08 0.181 0.057 3.175 0.001 0.181 0.533
## .edid12 0.134 0.057 2.354 0.019 0.134 0.463
## .edid15 0.407 0.058 7.010 0.000 0.407 0.679
## .edid16 0.186 0.055 3.388 0.001 0.186 0.673
## .edid17 0.468 0.056 8.389 0.000 0.468 0.800
## .edid01 0.331 0.057 5.814 0.000 0.331 0.644
## .edid03 1.131 0.058 19.349 0.000 1.131 0.821
## .edid04 0.322 0.061 5.315 0.000 0.322 0.492
## .edid06 0.406 0.060 6.747 0.000 0.406 0.560
## .edid09 1.273 0.058 21.795 0.000 1.273 0.839
## .edid10 0.979 0.059 16.557 0.000 0.979 0.781
## .edid11 0.320 0.062 5.162 0.000 0.320 0.450
## .edid13 0.770 0.058 13.224 0.000 0.770 0.764
## .edid14 0.501 0.062 8.117 0.000 0.501 0.567
## .aeq01 0.509 0.063 8.107 0.000 0.509 0.561
## .aeq05 0.334 0.073 4.584 0.000 0.334 0.315
## .aeq09 0.441 0.069 6.390 0.000 0.441 0.419
## .aeq13 0.451 0.069 6.579 0.000 0.451 0.430
## .aeq02 0.339 0.061 5.530 0.000 0.339 0.538
## .aeq06 0.363 0.062 5.840 0.000 0.363 0.539
## .aeq10 0.287 0.063 4.557 0.000 0.287 0.463
## .aeq14 0.448 0.060 7.441 0.000 0.448 0.633
## .aeq03 0.329 0.063 5.237 0.000 0.329 0.481
## .aeq07 0.384 0.060 6.350 0.000 0.384 0.572
## .aeq11 0.399 0.066 6.075 0.000 0.399 0.483
## .aeq15 0.382 0.060 6.333 0.000 0.382 0.574
## .aeq04 0.265 0.061 4.357 0.000 0.265 0.552
## .aeq08 0.203 0.066 3.049 0.002 0.203 0.391
## .aeq12 0.195 0.064 3.069 0.002 0.195 0.422
## .aeq16 0.206 0.056 3.653 0.000 0.206 0.646
## .esar01 0.156 0.060 2.610 0.009 0.156 0.349
## .esar02 0.278 0.057 4.899 0.000 0.278 0.619
## .esar03 0.217 0.057 3.840 0.000 0.217 0.576
## .esar04 0.412 0.075 5.493 0.000 0.412 0.328
## .esar05 0.563 0.071 7.971 0.000 0.563 0.445
## .esar06 0.835 0.069 12.174 0.000 0.835 0.569
## .audit01 0.257 0.102 2.524 0.012 0.257 0.241
## .audit02 0.535 0.095 5.658 0.000 0.535 0.426
## .audit03 0.284 0.106 2.669 0.008 0.284 0.248
## .afectopos 0.026 0.010 2.699 0.007 0.238 0.238
## .involucramient 0.096 0.013 7.550 0.000 0.525 0.525
## disfrute 0.084 0.012 6.851 0.000 1.000 1.000
## .confianza 0.214 0.024 9.077 0.000 0.536 0.536
## .vigor 0.068 0.025 2.783 0.005 0.235 0.235
## .dedicacion 0.076 0.027 2.793 0.005 0.214 0.214
## .entusiasmo 0.090 0.024 3.750 0.000 0.417 0.417
## .compromiso 0.034 0.009 3.925 0.000 0.184 0.184
## .realpers 0.173 0.019 9.310 0.000 0.598 0.598
## .consumo 0.791 0.086 9.250 0.000 0.980 0.980
##
## R-Square:
## Estimate
## edid02 0.335
## edid05 0.344
## edid07 0.449
## edid08 0.467
## edid12 0.537
## edid15 0.321
## edid16 0.327
## edid17 0.200
## edid01 0.356
## edid03 0.179
## edid04 0.508
## edid06 0.440
## edid09 0.161
## edid10 0.219
## edid11 0.550
## edid13 0.236
## edid14 0.433
## aeq01 0.439
## aeq05 0.685
## aeq09 0.581
## aeq13 0.570
## aeq02 0.462
## aeq06 0.461
## aeq10 0.537
## aeq14 0.367
## aeq03 0.519
## aeq07 0.428
## aeq11 0.517
## aeq15 0.426
## aeq04 0.448
## aeq08 0.609
## aeq12 0.578
## aeq16 0.354
## esar01 0.651
## esar02 0.381
## esar03 0.424
## esar04 0.672
## esar05 0.555
## esar06 0.431
## audit01 0.759
## audit02 0.574
## audit03 0.752
## afectopos 0.762
## involucramient 0.475
## confianza 0.464
## vigor 0.765
## dedicacion 0.786
## entusiasmo 0.583
## compromiso 0.816
## realpers 0.402
## consumo 0.020
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## ab1 -0.235 0.427 -0.551 0.582 -0.076 -0.076
## ab2 -0.021 0.084 -0.248 0.804 -0.007 -0.007
## total -0.424 0.083 -5.097 0.000 -0.137 -0.137semPaths(# 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,
residuals = F,
structural = T
)
Los indicadores de bondad de ajuste son una preciosura. Los ítems invertidos saturan demasiado negativamente. Sucede eso raro, igual que en los otros modelos, que es que los efectos directos e indirectos no son signiticativos, pero sí el efecto total. Es posible que en la predicción del consumo ninguno de los predictores sea significativo por multicolinearidad (disfrute y compromiso tuvieron una relación muy alta y entre disfrute y realización personal tb es bastante elevada). Otra opción es que el efecto protector del disfrute no sea a través de una vía específica, sino por un cambio holistico en estos outcomes positivos que, en conjunto, prevengan el consumo de alcohol.
latentes <- as.data.frame(lavPredict(fit_uls))
latentes %>%
lm(consumo~disfrute,.) %>%
summary()##
## Call:
## lm(formula = consumo ~ disfrute, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.28913 -0.84906 -0.04139 0.65782 1.89777
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.597e-16 4.408e-02 0.000 1.00000
## disfrute -4.787e-01 1.646e-01 -2.909 0.00386 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.834 on 356 degrees of freedom
## Multiple R-squared: 0.02322, Adjusted R-squared: 0.02047
## F-statistic: 8.461 on 1 and 356 DF, p-value: 0.003855latentes %>%
lm(consumo~compromiso,.) %>%
summary()##
## Call:
## lm(formula = consumo ~ compromiso, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.4295 -0.8451 -0.0489 0.6574 1.9058
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.603e-16 4.406e-02 0.000 1.00000
## compromiso -3.262e-01 1.101e-01 -2.963 0.00325 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8336 on 356 degrees of freedom
## Multiple R-squared: 0.02407, Adjusted R-squared: 0.02133
## F-statistic: 8.779 on 1 and 356 DF, p-value: 0.003252latentes %>%
lm(consumo~realpers,.) %>%
summary()##
## Call:
## lm(formula = consumo ~ realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.23015 -0.87387 -0.05494 0.67645 1.92860
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.207e-16 4.424e-02 0.000 1.0000
## realpers -2.158e-01 9.019e-02 -2.393 0.0172 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8371 on 356 degrees of freedom
## Multiple R-squared: 0.01583, Adjusted R-squared: 0.01306
## F-statistic: 5.725 on 1 and 356 DF, p-value: 0.01725Efectivamente, si analizamos las tres variables por separado, todas son significativas. De esta manera, casi que se confirma que es por un problema de multicolinealidad que los efectos directos e indirectos no son significativos.
Por otro lado, se me ocurrió probar las interacciones entre disfrute y compromiso y entre disfrute y realización personal. Sólo con compromiso fue significativa.
mod1 <- latentes %>%
lm(consumo~(disfrute*compromiso)+realpers,.)
mod1 %>% summary()##
## Call:
## lm(formula = consumo ~ (disfrute * compromiso) + realpers, data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.19752 -0.74696 -0.05808 0.62075 1.94851
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.09529 0.05619 1.696 0.09081 .
## disfrute -0.20340 0.78440 -0.259 0.79555
## compromiso -0.31480 0.45904 -0.686 0.49330
## realpers -0.05071 0.15253 -0.332 0.73975
## disfrute:compromiso -0.91840 0.33949 -2.705 0.00716 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8284 on 353 degrees of freedom
## Multiple R-squared: 0.04434, Adjusted R-squared: 0.03351
## F-statistic: 4.095 on 4 and 353 DF, p-value: 0.002946datos_graf <- data.frame(consumo=rep(NA,4),
disfrute=rep(c(min(latentes$disfrute),max(latentes$disfrute)),2),
realpers=rep(mean(latentes$realpers),4),
compromiso=c(rep(quantile(latentes$compromiso,.15),2),rep(quantile(latentes$compromiso,.85),2)),
comp_cuali=c(rep("bajo (q = .15)",2),rep("alto (q = .85)",2)))
for(i in 1:4){
datos_graf$consumo[i] <- predict(mod1, newdata=datos_graf[i,])
}
colnames(datos_graf) <- c("consumo", "disfrute", "realpers", "compr", "compromiso")
ggplot(datos_graf,aes(x=disfrute, y=consumo, color=compromiso))+
geom_point(size=7)+
geom_line(lwd=2)+
theme_minimal()
En gráfico se está controlando por realización personal