El objetivo de este análisis es ajustar un modelo PLS-SEM para tratar de explicar el comportamiento de la inestabilidad política (POLINS) a partir de la desigualdad agrícola (AGRIN) y del desarrollo industrial (INDEV). El análisis se realiza utilizando el modelo estructural y el modelo de medición.
Primero, cargamos las librerías necesarias para realizar el análisis y los datos del archivo Excel:
## # A tibble: 6 × 12
## ...1 gini farm rent gnpr labo inst ecks death demostab demoinst
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 Argentina 86.3 98.2 3.52 5.92 3.22 0.07 4.06 5.38 0 1
## 2 Australia 92.9 99.6 3.4 7.1 2.64 0.01 0 0 1 0
## 3 Austria 74 97.4 2.46 6.28 3.47 0.03 1.61 0 0 1
## 4 Belgium 58.7 85.8 4.15 6.92 2.3 0.45 2.2 0.69 1 0
## 5 Bolivia 93.8 97.7 3.04 4.19 4.28 0.37 3.99 6.5 0 0
## 6 Brasil 83.7 98.5 2.31 5.57 4.11 0.45 3.91 0.69 0 1
## # ℹ 1 more variable: dictator <dbl>En este paso, hemos cargado las librerías necesarias y cargado los datos del archivo “Datos_Russett.xlsx”.
Conversión de columnas y escalado de variables Después de cargar los datos, convertimos las columnas que no son binarias a variables numéricas y escalamos las variables continuas para que todas estén en la misma escala:
## # A tibble: 6 × 12
## Country gini farm rent gnpr labo inst ecks death demostab
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Argentina 1.03 0.785 0.762 -0.0424 -0.478 -0.540 1.12 1.49 0
## 2 Australia 1.49 0.994 0.637 1.28 -1.30 -0.785 -1.86 -0.826 1
## 3 Austria 0.181 0.666 -0.340 0.361 -0.122 -0.703 -0.681 -0.826 0
## 4 Belgium -0.881 -1.06 1.42 1.08 -1.79 1.01 -0.248 -0.529 1
## 5 Bolivia 1.56 0.711 0.263 -1.98 1.03 0.684 1.07 1.97 0
## 6 Brasil 0.854 0.830 -0.496 -0.435 0.789 1.01 1.01 -0.529 0
## # ℹ 2 more variables: demoinst <dbl>, dictator <dbl>En este paso, hemos identificado las variables binarias (demostab, demoinst, dictator) y escalado las variables continuas para que estén en un rango comparable.
Definición del modelo PLS-SEM El modelo PLS-SEM incluye tres variables latentes principales: AGRIN (Desigualdad Agrícola), INDEV (Desarrollo Industrial) y POLINS (Inestabilidad Política). La relación entre estas variables es la siguiente: la inestabilidad política depende tanto de la desigualdad agrícola como del desarrollo industrial.
modelo_pls_binario <- ’ # Medición de las variables latentes AGRIN =~ gini + farm + rent INDEV =~ gnpr + labo + inst POLINS =~ ecks + death + demostab + demoinst + dictator
# Relaciones estructurales INDEV ~ AGRIN POLINS ~ AGRIN + INDEV ’
# Definir el modelo con variables binarias
modelo_pls_binario <- '
# Medición de las variables latentes
AGRIN =~ gini + farm + rent
INDEV =~ gnpr + labo + inst
POLINS =~ ecks + death + demostab + demoinst + dictator
# Relaciones estructurales
INDEV ~ AGRIN
POLINS ~ AGRIN + INDEV
'Este modelo especifica cómo las variables latentes AGRIN, INDEV y POLINS están formadas por sus respectivos indicadores, y las relaciones estructurales entre ellas.
Ajuste del modelo Ajustamos el modelo usando el estimador WLSMV, que es apropiado para datos que incluyen variables binarias:
## lavaan 0.6-18 ended normally after 44 iterations
##
## Estimator DWLS
## Optimization method NLMINB
## Number of model parameters 33
##
## Number of observations 47
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 59.351 83.356
## Degrees of freedom 41 41
## P-value (Chi-square) 0.032 0.000
## Scaling correction factor 0.938
## Shift parameter 20.049
## simple second-order correction
##
## Model Test Baseline Model:
##
## Test statistic 329.789 177.193
## Degrees of freedom 55 55
## P-value 0.000 0.000
## Scaling correction factor 2.249
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.933 0.653
## Tucker-Lewis Index (TLI) 0.910 0.535
##
## Robust Comparative Fit Index (CFI) NA
## Robust Tucker-Lewis Index (TLI) NA
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.099 0.150
## 90 Percent confidence interval - lower 0.030 0.103
## 90 Percent confidence interval - upper 0.151 0.196
## P-value H_0: RMSEA <= 0.050 0.094 0.001
## P-value H_0: RMSEA >= 0.080 0.725 0.991
##
## Robust RMSEA NA
## 90 Percent confidence interval - lower NA
## 90 Percent confidence interval - upper NA
## P-value H_0: Robust RMSEA <= 0.050 NA
## P-value H_0: Robust RMSEA >= 0.080 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.183 0.183
##
## Parameter Estimates:
##
## Parameterization Delta
## Standard errors Robust.sem
## Information Expected
## Information saturated (h1) model Unstructured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## AGRIN =~
## gini 1.000 0.971 0.981
## farm 1.155 0.290 3.979 0.000 1.122 1.134
## rent 0.350 0.165 2.119 0.034 0.340 0.343
## INDEV =~
## gnpr 1.000 0.843 0.853
## labo -1.037 0.279 -3.720 0.000 -0.875 -0.884
## inst -0.302 0.192 -1.578 0.115 -0.255 -0.258
## POLINS =~
## ecks 1.000 0.675 0.682
## death 1.108 0.376 2.945 0.003 0.748 0.756
## demostab -1.462 0.432 -3.381 0.001 -0.986 -0.986
## demoinst -0.046 0.207 -0.224 0.823 -0.031 -0.031
## dictator 1.292 0.388 3.335 0.001 0.872 0.872
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## INDEV ~
## AGRIN -0.283 0.129 -2.188 0.029 -0.326 -0.326
## POLINS ~
## AGRIN 0.089 0.086 1.041 0.298 0.128 0.128
## INDEV -0.689 0.209 -3.290 0.001 -0.861 -0.861
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .gini -0.000 0.153 -0.000 1.000 -0.000 -0.000
## .farm 0.000 0.203 0.000 1.000 0.000 0.000
## .rent 0.000 0.179 0.000 1.000 0.000 0.000
## .gnpr -0.000 0.146 -0.000 1.000 -0.000 -0.000
## .labo 0.000 0.202 0.000 1.000 0.000 0.000
## .inst 0.000 0.227 0.000 1.000 0.000 0.000
## .ecks -0.000 0.174 -0.000 1.000 -0.000 -0.000
## .death 0.000 0.225 0.000 1.000 0.000 0.000
##
## Thresholds:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## demostab|t1 0.470 0.192 2.443 0.015 0.470 0.470
## demoinst|t1 0.658 0.200 3.288 0.001 0.658 0.658
## dictator|t1 0.188 0.186 1.010 0.313 0.188 0.188
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .gini 0.037 0.172 0.213 0.831 0.037 0.037
## .farm -0.279 0.295 -0.947 0.343 -0.279 -0.285
## .rent 0.863 0.166 5.197 0.000 0.863 0.882
## .gnpr 0.267 0.094 2.838 0.005 0.267 0.273
## .labo 0.214 0.087 2.457 0.014 0.214 0.218
## .inst 0.914 0.216 4.234 0.000 0.914 0.934
## .ecks 0.523 0.102 5.122 0.000 0.523 0.535
## .death 0.420 0.095 4.402 0.000 0.420 0.429
## .demostab 0.027 0.027 0.027
## .demoinst 0.999 0.999 0.999
## .dictator 0.239 0.239 0.239
## AGRIN 0.942 0.369 2.554 0.011 1.000 1.000
## .INDEV 0.636 0.243 2.616 0.009 0.894 0.894
## .POLINS 0.078 0.075 1.040 0.298 0.171 0.171Los resultados muestran un buen ajuste del modelo, con índices como el CFI (0.933) y el TLI (0.910) indicando un buen ajuste. El RMSEA es aceptable, aunque podría mejorarse.
Resultados del modelo estructural Los coeficientes estandarizados obtenidos para las relaciones estructurales son los siguientes:
## lhs op rhs exo est se z pvalue
## 4 INDEV =~ gnpr 0 1.00000000 0.00000000 NA NA
## 5 INDEV =~ labo 0 -1.03691453 0.27875355 -3.7198253 0.0001993606
## 6 INDEV =~ inst 0 -0.30245378 0.19165187 -1.5781416 0.1145330899
## 7 POLINS =~ ecks 0 1.00000000 0.00000000 NA NA
## 8 POLINS =~ death 0 1.10782103 0.37611049 2.9454670 0.0032246755
## 9 POLINS =~ demostab 0 -1.46164215 0.43228602 -3.3811923 0.0007217201
## 10 POLINS =~ demoinst 0 -0.04636458 0.20677411 -0.2242282 0.8225797522
## 11 POLINS =~ dictator 0 1.29222273 0.38752208 3.3345783 0.0008542884
## 12 INDEV ~ AGRIN 0 -0.28327607 0.12948230 -2.1877591 0.0286871542
## 13 POLINS ~ AGRIN 0 0.08905171 0.08551461 1.0413625 0.2977073169
## 14 POLINS ~ INDEV 0 -0.68873739 0.20934071 -3.2900309 0.0010017637
## 30 INDEV ~~ INDEV 0 0.63585372 0.24310563 2.6155450 0.0089085193
## 31 POLINS ~~ POLINS 0 0.07773906 0.07473742 1.0401625 0.2982643910
## std.lv std.all
## 4 0.84347954 0.85259927
## 5 -0.87461619 -0.88406846
## 6 -0.25511357 -0.25787168
## 7 0.67485982 0.68215560
## 8 0.74762390 0.75570131
## 9 -0.98640356 -0.98640356
## 10 -0.03128959 -0.03128959
## 11 0.87206920 0.87206920
## 12 -0.32598520 -0.32598520
## 13 0.12808293 0.12808293
## 14 -0.86082455 -0.86082455
## 30 0.89373365 0.89373365
## 31 0.17069160 0.17069160Esto indica que el desarrollo industrial tiene un impacto significativo y negativo en la inestabilidad política, mientras que la desigualdad agrícola tiene un efecto indirecto a través del desarrollo industrial.
Visualización del modelo A continuación se presenta el gráfico del modelo PLS-SEM ajustado, que visualiza las relaciones entre las variables latentes y sus indicadores:
En este análisis, hemos ajustado un modelo PLS-SEM para explorar cómo la desigualdad agrícola y el desarrollo industrial afectan la inestabilidad política. Los resultados sugieren que el desarrollo industrial tiene un impacto significativo en la inestabilidad política, mientras que la desigualdad agrícola tiene un efecto indirecto a través de su influencia en el desarrollo industrial. Los índices de ajuste indican que el modelo es adecuado para explicar las relaciones propuestas.