hllinas2023

Prefacio

En muchas áreas de las ciencias sociales, administrativas y de la salud, los fenómenos de interés no pueden observarse de manera directa. Conceptos como la satisfacción, la motivación, la resiliencia, la calidad de vida o el liderazgo son variables latentes: constructos teóricos que no se miden de forma directa, sino a través de indicadores observables. El estudio riguroso de estas variables exige herramientas estadísticas capaces de modelar simultáneamente la relación entre los indicadores y los constructos subyacentes, así como las relaciones estructurales entre dichos constructos.

Estas notas de clase están dedicadas al estudio de los modelos de variables latentes, presentando un recorrido metodológico que va desde el análisis inicial de las relaciones entre variables observadas hasta la formulación y evaluación de modelos estadísticos integrados. El curso combina fundamentos teóricos con aplicaciones prácticas, permitiendo comprender cómo los datos empíricos pueden utilizarse para inferir estructuras latentes y evaluar hipótesis sobre procesos complejos.

El contenido inicia con una revisión conceptual que integra elementos históricos, metodológicos y matemáticos esenciales, incluyendo nociones básicas de álgebra lineal y estadística. Estos conceptos constituyen la base formal para el análisis de matrices de correlaciones, la identificación de patrones de asociación y el posterior uso de técnicas factoriales. Asimismo, se abordan aspectos prácticos del análisis de datos, como el tratamiento de valores atípicos y la evaluación de supuestos estadísticos.

A partir de este marco, se desarrolla el análisis factorial exploratorio (EFA) como una herramienta fundamental para identificar dimensiones latentes subyacentes a un conjunto de variables observadas. Posteriormente, se estudia la consistencia interna y la fiabilidad de los instrumentos de medición, destacando su papel en la evaluación de la calidad de las escalas y en la interpretación adecuada de los constructos latentes.

El curso avanza hacia los modelos de ecuaciones estructurales (SEM), que integran los modelos de medición y los modelos estructurales en un marco unificado. En este contexto, se analizan criterios de ajuste, interpretación de parámetros y evaluación de relaciones causales entre variables latentes. Finalmente, se introduce el concepto de invarianza métrica, esencial para garantizar la comparabilidad de los modelos entre distintos grupos, contextos o momentos temporales.

En conjunto, estas notas buscan desarrollar una comprensión sólida y crítica del modelamiento con variables latentes, enfatizando no solo el uso instrumental del software, sino también la lógica estadística subyacente, la interpretación rigurosa de los resultados y la toma de decisiones basada en evidencia. Este enfoque prepara al lector tanto para cursos avanzados como para la aplicación responsable de estas técnicas en investigación académica y profesional.

«La estadística es la gramática de la ciencia»:

Pearson, K. (1892). The grammar of science. Nature, 46(1185), 247-247.

1 Introducción

1.1 Reseña histórica: Click derecho aquí.

1.2 Investigación y Métodos: Click derecho aquí.

1.3. Conceptos del Álgebra lineal: Click derecho aquí.

1.4. Conceptos de la Estadística: Click derecho aquí.

1.5. Valores atípicos (Outliers): Click derecho aquí.

2 Matrices de correlaciones

2.1 Correlaciones: Click derecho aquí.

3 Análisis factorial (EFA)

3.1 Teoría: Click derecho aquí.

3.2 Aplicación: Click derecho aquí.

4 Consistencia interna

4.1 Consistencia interna: Click derecho aquí.

5 Modelos de ecuaciones estructurales (SEM)

5.1 Teoría: Click derecho aquí.

5.2 Aplicación: Click derecho aquí.

6 Invarianza de medida

6.1 Teoría: Click derecho aquí.

6.2 Aplicación: Click derecho aquí.

Bibliografía

Consultar el documento RPubs :: Análisis multivariado (bibliografía).

 

  
If you found any ERRORS or have SUGGESTIONS, please report them to my email. Thanks.