Tarea Lavaan Jose M. Viera-González
José Manuel Viera González
2026-03-18
Tarea Práctica: Análisis Factorial Confirmatorio y Modelos de
Ecuaciones Estructurales con lavaan
Bloque III. La desigualdad y el bienestar personal y psicológico.
Máster Universitario en Análisis Aplicado en Ciencias Sociales
Universidad de La Laguna
Librerías
library(lavaan)
library(semTools)
library(semPlot)
library(tidyverse)
library(psych)
library(dplyr)Cargar Dataset 1
data("bfi")
datos_bfi <- bfi[, 1:25]Se seleccionó el dataset bfidel paquetepsych, restringiendo el análisis a los 25 ítems correspondientes a los cinco grandes factores de personalidad.
Información sobre la BBDD
?bfi## starting httpd help server ... doneSegún la documentación del dataset bfi (paquete
psych), algunos ítems están formulados en sentido inverso
(A1, C4, C5, E1, E2, O2 y O5). Por esta razón, se procedió a su
recodificación antes de estimar el modelo de medida.
Recodificación de ítems en sentido inverso
# Ítems en sentido inverso
items_inversos <- c("A1","C4","C5","E1","E2","O2","O5")
# Comprobación antes de la recodificación
describe(datos_bfi[, items_inversos])## vars n mean sd median trimmed mad min max range skew kurtosis se
## A1 1 2784 2.41 1.41 2 2.23 1.48 1 6 5 0.83 -0.31 0.03
## C4 2 2774 2.55 1.38 2 2.41 1.48 1 6 5 0.60 -0.62 0.03
## C5 3 2784 3.30 1.63 3 3.25 1.48 1 6 5 0.07 -1.22 0.03
## E1 4 2777 2.97 1.63 3 2.86 1.48 1 6 5 0.37 -1.09 0.03
## E2 5 2784 3.14 1.61 3 3.06 1.48 1 6 5 0.22 -1.15 0.03
## O2 6 2800 2.71 1.57 2 2.56 1.48 1 6 5 0.59 -0.81 0.03
## O5 7 2780 2.49 1.33 2 2.34 1.48 1 6 5 0.74 -0.24 0.03# Recodificación (escala 1-6)
datos_bfi[items_inversos] <- 7 - datos_bfi[items_inversos]
# Comprobación después de la recodificación
describe(datos_bfi[, items_inversos])## vars n mean sd median trimmed mad min max range skew kurtosis se
## A1 1 2784 4.59 1.41 5 4.77 1.48 1 6 5 -0.83 -0.31 0.03
## C4 2 2774 4.45 1.38 5 4.59 1.48 1 6 5 -0.60 -0.62 0.03
## C5 3 2784 3.70 1.63 4 3.75 1.48 1 6 5 -0.07 -1.22 0.03
## E1 4 2777 4.03 1.63 4 4.14 1.48 1 6 5 -0.37 -1.09 0.03
## E2 5 2784 3.86 1.61 4 3.94 1.48 1 6 5 -0.22 -1.15 0.03
## O2 6 2800 4.29 1.57 5 4.44 1.48 1 6 5 -0.59 -0.81 0.03
## O5 7 2780 4.51 1.33 5 4.66 1.48 1 6 5 -0.74 -0.24 0.03Análisis exploratorio
Estructura
dim(datos_bfi)## [1] 2800 2510 primeros casos
head(datos_bfi,10)## A1 A2 A3 A4 A5 C1 C2 C3 C4 C5 E1 E2 E3 E4 E5 N1 N2 N3 N4 N5 O1 O2 O3 O4
## 61617 5 4 3 4 4 2 3 3 3 3 4 4 3 4 4 3 4 2 2 3 3 1 3 4
## 61618 5 4 5 2 5 5 4 4 4 3 6 6 6 4 3 3 3 3 5 5 4 5 4 3
## 61620 2 4 5 4 4 4 5 4 5 2 5 3 4 4 5 4 5 4 2 3 4 5 5 5
## 61621 3 4 6 5 5 4 4 3 2 2 2 4 4 4 4 2 5 2 4 1 3 4 4 3
## 61622 5 3 3 4 5 4 4 5 4 5 5 5 5 4 5 2 3 4 4 3 3 4 4 3
## 61623 1 6 5 6 5 6 6 6 6 4 5 6 6 5 6 3 5 2 2 3 4 4 5 6
## 61624 5 5 5 3 5 5 4 4 5 4 3 4 4 5 5 1 2 2 1 1 5 5 5 6
## 61629 3 3 1 5 1 3 2 4 5 3 4 1 4 2 1 6 3 2 6 4 3 5 4 5
## 61630 3 3 6 3 3 6 6 3 3 2 2 4 NA 4 3 5 5 2 3 3 6 1 6 6
## 61633 5 5 6 6 5 6 5 6 5 6 5 5 4 5 5 5 5 5 2 4 5 6 5 5
## O5
## 61617 4
## 61618 4
## 61620 5
## 61621 2
## 61622 4
## 61623 6
## 61624 6
## 61629 4
## 61630 6
## 61633 5Variables
colnames(datos_bfi)## [1] "A1" "A2" "A3" "A4" "A5" "C1" "C2" "C3" "C4" "C5" "E1" "E2" "E3" "E4" "E5"
## [16] "N1" "N2" "N3" "N4" "N5" "O1" "O2" "O3" "O4" "O5"Resumen
psych::describe(datos_bfi)## vars n mean sd median trimmed mad min max range skew kurtosis se
## A1 1 2784 4.59 1.41 5 4.77 1.48 1 6 5 -0.83 -0.31 0.03
## A2 2 2773 4.80 1.17 5 4.98 1.48 1 6 5 -1.12 1.05 0.02
## A3 3 2774 4.60 1.30 5 4.79 1.48 1 6 5 -1.00 0.44 0.02
## A4 4 2781 4.70 1.48 5 4.93 1.48 1 6 5 -1.03 0.04 0.03
## A5 5 2784 4.56 1.26 5 4.71 1.48 1 6 5 -0.85 0.16 0.02
## C1 6 2779 4.50 1.24 5 4.64 1.48 1 6 5 -0.85 0.30 0.02
## C2 7 2776 4.37 1.32 5 4.50 1.48 1 6 5 -0.74 -0.14 0.03
## C3 8 2780 4.30 1.29 5 4.42 1.48 1 6 5 -0.69 -0.13 0.02
## C4 9 2774 4.45 1.38 5 4.59 1.48 1 6 5 -0.60 -0.62 0.03
## C5 10 2784 3.70 1.63 4 3.75 1.48 1 6 5 -0.07 -1.22 0.03
## E1 11 2777 4.03 1.63 4 4.14 1.48 1 6 5 -0.37 -1.09 0.03
## E2 12 2784 3.86 1.61 4 3.94 1.48 1 6 5 -0.22 -1.15 0.03
## E3 13 2775 4.00 1.35 4 4.07 1.48 1 6 5 -0.47 -0.47 0.03
## E4 14 2791 4.42 1.46 5 4.59 1.48 1 6 5 -0.82 -0.30 0.03
## E5 15 2779 4.42 1.33 5 4.56 1.48 1 6 5 -0.78 -0.09 0.03
## N1 16 2778 2.93 1.57 3 2.82 1.48 1 6 5 0.37 -1.01 0.03
## N2 17 2779 3.51 1.53 4 3.51 1.48 1 6 5 -0.08 -1.05 0.03
## N3 18 2789 3.22 1.60 3 3.16 1.48 1 6 5 0.15 -1.18 0.03
## N4 19 2764 3.19 1.57 3 3.12 1.48 1 6 5 0.20 -1.09 0.03
## N5 20 2771 2.97 1.62 3 2.85 1.48 1 6 5 0.37 -1.06 0.03
## O1 21 2778 4.82 1.13 5 4.96 1.48 1 6 5 -0.90 0.43 0.02
## O2 22 2800 4.29 1.57 5 4.44 1.48 1 6 5 -0.59 -0.81 0.03
## O3 23 2772 4.44 1.22 5 4.56 1.48 1 6 5 -0.77 0.30 0.02
## O4 24 2786 4.89 1.22 5 5.10 1.48 1 6 5 -1.22 1.08 0.02
## O5 25 2780 4.51 1.33 5 4.66 1.48 1 6 5 -0.74 -0.24 0.03Valores NA
colSums(is.na(datos_bfi))## A1 A2 A3 A4 A5 C1 C2 C3 C4 C5 E1 E2 E3 E4 E5 N1 N2 N3 N4 N5 O1 O2 O3 O4 O5
## 16 27 26 19 16 21 24 20 26 16 23 16 25 9 21 22 21 11 36 29 22 0 28 14 20Tratamiento de los valores perdidos
El recuento de valores perdidos muestra la presencia de un número reducido de observaciones faltantes en varios ítems del cuestionario. En todos los casos, el número de NA es pequeño en relación con el tamaño total de la muestra (aproximadamente 2800 observaciones), lo que sugiere que el problema de datos faltantes es limitado.
En lugar de eliminar los casos con datos incompletos mediante
eliminación por lista (na.omit), se optará por utilizar
Full Information Maximum Likelihood (FIML) en la estimación de los
modelos CFA y SEM mediante el paquete lavaan. Este método
permite utilizar toda la información disponible en los datos y suele
ofrecer estimaciones menos sesgadas que la eliminación de casos cuando
los datos faltantes son escasos.
EJERCICIO 1
1.1. Especificación del modelo
Especifica en lavaan el modelo CFA correspondiente a
la estructura teórica del dataset que has elegido:
Para bfi: modelo de 5 factores (Big
Five) con 5 indicadores cada uno
Justifica brevemente: ¿Por qué esta estructura y no otra? ¿Existe apoyo teórico o empírico previo?
1.1.a. Espeficifación del modelo
modelo_bfi <- '
A =~ A1 + A2 + A3 + A4 + A5
C =~ C1 + C2 + C3 + C4 + C5
E =~ E1 + E2 + E3 + E4 + E5
N =~ N1 + N2 + N3 + N4 + N5
O =~ O1 + O2 + O3 + O4 + O5
'1.1.b. Justificación teórica del modelo
El modelo CFA especificado se basa en la estructura teórica de los cinco grandes factores de personalidad (Big Five), ampliamente validada en la literatura psicológica.
Este modelo propone que la personalidad puede describirse mediante cinco dimensiones latentes principales:
Amabilidad (Agreeableness),
Responsabilidad (Conscientiousness),
Extraversión (Extraversion),
Neuroticismo (Neuroticism) y
Apertura a la experiencia (Openness).
El dataset bfi del paquete psych contiene
25 ítems diseñados para medir estos cinco constructos, con cinco
indicadores para cada factor. Por tanto, el modelo de medida especifica
cinco variables latentes, cada una definida por sus correspondientes
indicadores observados.
Esta estructura factorial ha sido ampliamente respaldada por investigaciones previas en psicología de la personalidad, lo que justifica su uso como modelo teórico inicial para el análisis factorial confirmatorio.
1.2 Estimación y decisiones metodológicas
1.2.a Evaluación de la normalidad
Volvemos a examinar la distribución de los ítems:
psych::describe(datos_bfi)## vars n mean sd median trimmed mad min max range skew kurtosis se
## A1 1 2784 4.59 1.41 5 4.77 1.48 1 6 5 -0.83 -0.31 0.03
## A2 2 2773 4.80 1.17 5 4.98 1.48 1 6 5 -1.12 1.05 0.02
## A3 3 2774 4.60 1.30 5 4.79 1.48 1 6 5 -1.00 0.44 0.02
## A4 4 2781 4.70 1.48 5 4.93 1.48 1 6 5 -1.03 0.04 0.03
## A5 5 2784 4.56 1.26 5 4.71 1.48 1 6 5 -0.85 0.16 0.02
## C1 6 2779 4.50 1.24 5 4.64 1.48 1 6 5 -0.85 0.30 0.02
## C2 7 2776 4.37 1.32 5 4.50 1.48 1 6 5 -0.74 -0.14 0.03
## C3 8 2780 4.30 1.29 5 4.42 1.48 1 6 5 -0.69 -0.13 0.02
## C4 9 2774 4.45 1.38 5 4.59 1.48 1 6 5 -0.60 -0.62 0.03
## C5 10 2784 3.70 1.63 4 3.75 1.48 1 6 5 -0.07 -1.22 0.03
## E1 11 2777 4.03 1.63 4 4.14 1.48 1 6 5 -0.37 -1.09 0.03
## E2 12 2784 3.86 1.61 4 3.94 1.48 1 6 5 -0.22 -1.15 0.03
## E3 13 2775 4.00 1.35 4 4.07 1.48 1 6 5 -0.47 -0.47 0.03
## E4 14 2791 4.42 1.46 5 4.59 1.48 1 6 5 -0.82 -0.30 0.03
## E5 15 2779 4.42 1.33 5 4.56 1.48 1 6 5 -0.78 -0.09 0.03
## N1 16 2778 2.93 1.57 3 2.82 1.48 1 6 5 0.37 -1.01 0.03
## N2 17 2779 3.51 1.53 4 3.51 1.48 1 6 5 -0.08 -1.05 0.03
## N3 18 2789 3.22 1.60 3 3.16 1.48 1 6 5 0.15 -1.18 0.03
## N4 19 2764 3.19 1.57 3 3.12 1.48 1 6 5 0.20 -1.09 0.03
## N5 20 2771 2.97 1.62 3 2.85 1.48 1 6 5 0.37 -1.06 0.03
## O1 21 2778 4.82 1.13 5 4.96 1.48 1 6 5 -0.90 0.43 0.02
## O2 22 2800 4.29 1.57 5 4.44 1.48 1 6 5 -0.59 -0.81 0.03
## O3 23 2772 4.44 1.22 5 4.56 1.48 1 6 5 -0.77 0.30 0.02
## O4 24 2786 4.89 1.22 5 5.10 1.48 1 6 5 -1.22 1.08 0.02
## O5 25 2780 4.51 1.33 5 4.66 1.48 1 6 5 -0.74 -0.24 0.03psych::mardia(datos_bfi)
## Call: psych::mardia(x = datos_bfi)
##
## Mardia tests of multivariate skew and kurtosis
## Use describe(x) the to get univariate tests
## n.obs = 2436 num.vars = 25
## b1p = 27.66 skew = 11229.18 with probability <= 0
## small sample skew = 11244.07 with probability <= 0
## b2p = 781.5 kurtosis = 71.53 with probability <= 0El gráfico Q–Q muestra desviaciones moderadas respecto a la normalidad (línea diagonal), especialmente en los extremos de la distribución. Este patrón es consistente con variables tipo Likert, donde los valores están acotados y la distribución puede presentar colas más pesadas que la normal. En consecuencia, se optó por utilizar el estimador robusto MLR, que ajusta los errores estándar y los índices de ajuste ante desviaciones de normalidad.
1.2.b Elección del estimador
estimador <- "MLR"
estimador## [1] "MLR"1.2.c Tratamiento de los datos perdidos
# Recuento de valores perdidos por variable
colSums(is.na(datos_bfi))## A1 A2 A3 A4 A5 C1 C2 C3 C4 C5 E1 E2 E3 E4 E5 N1 N2 N3 N4 N5 O1 O2 O3 O4 O5
## 16 27 26 19 16 21 24 20 26 16 23 16 25 9 21 22 21 11 36 29 22 0 28 14 201.2.d Estrategia de identificación del modelo
# Se utilizará estandarización de la varianza de los factores
identificacion <- TRUE # equivalente a std.lv = TRUE en lavaan
identificacion## [1] TRUE1.2.e Estimación del modelo CFA
ajuste_cfa <- cfa(
modelo_bfi,
data = datos_bfi,
estimator = "MLR",
missing = "fiml", # Full Information Maximum Likelihood (FIML)
std.lv = TRUE
)summary(
ajuste_cfa,
fit.measures = TRUE,
standardized = TRUE
)## lavaan 0.6-21 ended normally after 68 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 85
##
## Number of observations 2800
## Number of missing patterns 87
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 4674.263 4047.735
## Degrees of freedom 265 265
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.155
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 20010.482 16771.160
## Degrees of freedom 300 300
## P-value 0.000 0.000
## Scaling correction factor 1.193
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.776 0.770
## Tucker-Lewis Index (TLI) 0.747 0.740
##
## Robust Comparative Fit Index (CFI) 0.777
## Robust Tucker-Lewis Index (TLI) 0.748
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -114278.379 -114278.379
## Scaling correction factor 1.151
## for the MLR correction
## Loglikelihood unrestricted model (H1) -111941.247 -111941.247
## Scaling correction factor 1.154
## for the MLR correction
##
## Akaike (AIC) 228726.757 228726.757
## Bayesian (BIC) 229231.434 229231.434
## Sample-size adjusted Bayesian (SABIC) 228961.360 228961.360
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.077 0.071
## 90 Percent confidence interval - lower 0.075 0.070
## 90 Percent confidence interval - upper 0.079 0.073
## P-value H_0: RMSEA <= 0.050 0.000 0.000
## P-value H_0: RMSEA >= 0.080 0.007 0.000
##
## Robust RMSEA 0.077
## 90 Percent confidence interval - lower 0.075
## 90 Percent confidence interval - upper 0.079
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 0.016
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.072 0.072
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## A =~
## A1 0.470 0.033 14.367 0.000 0.470 0.334
## A2 0.744 0.027 27.977 0.000 0.744 0.635
## A3 0.960 0.027 35.776 0.000 0.960 0.738
## A4 0.716 0.032 22.619 0.000 0.716 0.484
## A5 0.860 0.026 32.993 0.000 0.860 0.683
## C =~
## C1 0.659 0.032 20.322 0.000 0.659 0.531
## C2 0.767 0.034 22.698 0.000 0.767 0.582
## C3 0.688 0.029 24.082 0.000 0.688 0.534
## C4 0.941 0.029 32.000 0.000 0.941 0.685
## C5 1.006 0.035 28.682 0.000 1.006 0.618
## E =~
## E1 0.921 0.033 28.171 0.000 0.921 0.565
## E2 1.104 0.029 37.423 0.000 1.104 0.688
## E3 0.854 0.028 30.206 0.000 0.854 0.631
## E4 1.012 0.029 35.351 0.000 1.012 0.694
## E5 0.734 0.030 24.859 0.000 0.734 0.549
## N =~
## N1 1.274 0.026 49.511 0.000 1.274 0.811
## N2 1.217 0.025 48.577 0.000 1.217 0.798
## N3 1.156 0.027 42.688 0.000 1.156 0.721
## N4 0.896 0.034 26.469 0.000 0.896 0.571
## N5 0.819 0.033 24.534 0.000 0.819 0.506
## O =~
## O1 0.636 0.027 23.469 0.000 0.636 0.564
## O2 0.611 0.044 13.951 0.000 0.611 0.390
## O3 0.886 0.034 26.192 0.000 0.886 0.726
## O4 0.294 0.033 8.955 0.000 0.294 0.240
## O5 0.606 0.036 16.873 0.000 0.606 0.457
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## A ~~
## C 0.341 0.028 12.308 0.000 0.341 0.341
## E 0.684 0.021 32.817 0.000 0.684 0.684
## N -0.220 0.026 -8.555 0.000 -0.220 -0.220
## O 0.315 0.031 10.261 0.000 0.315 0.315
## C ~~
## E 0.351 0.028 12.756 0.000 0.351 0.351
## N -0.289 0.028 -10.151 0.000 -0.289 -0.289
## O 0.300 0.030 10.029 0.000 0.300 0.300
## E ~~
## N -0.234 0.026 -8.915 0.000 -0.234 -0.234
## O 0.451 0.032 13.876 0.000 0.451 0.451
## N ~~
## O -0.118 0.029 -4.149 0.000 -0.118 -0.118
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .A1 4.587 0.027 172.019 0.000 4.587 3.259
## .A2 4.805 0.022 216.449 0.000 4.805 4.101
## .A3 4.606 0.025 186.932 0.000 4.606 3.541
## .A4 4.700 0.028 167.727 0.000 4.700 3.178
## .A5 4.561 0.024 191.582 0.000 4.561 3.627
## .C1 4.503 0.024 191.500 0.000 4.503 3.629
## .C2 4.371 0.025 175.010 0.000 4.371 3.317
## .C3 4.303 0.024 176.233 0.000 4.303 3.341
## .C4 4.448 0.026 170.784 0.000 4.448 3.237
## .C5 3.703 0.031 120.117 0.000 3.703 2.275
## .E1 4.025 0.031 130.223 0.000 4.025 2.469
## .E2 3.857 0.030 126.938 0.000 3.857 2.403
## .E3 4.001 0.026 156.143 0.000 4.001 2.960
## .E4 4.421 0.028 160.305 0.000 4.421 3.034
## .E5 4.417 0.025 174.631 0.000 4.417 3.309
## .N1 2.932 0.030 98.568 0.000 2.932 1.867
## .N2 3.508 0.029 121.472 0.000 3.508 2.300
## .N3 3.217 0.030 106.140 0.000 3.217 2.008
## .N4 3.185 0.030 106.903 0.000 3.185 2.030
## .N5 2.969 0.031 96.676 0.000 2.969 1.834
## .O1 4.816 0.021 224.958 0.000 4.816 4.265
## .O2 4.287 0.030 144.954 0.000 4.287 2.739
## .O3 4.436 0.023 191.469 0.000 4.436 3.634
## .O4 4.892 0.023 211.524 0.000 4.892 4.007
## .O5 4.510 0.025 179.166 0.000 4.510 3.396
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .A1 1.760 0.054 32.399 0.000 1.760 0.888
## .A2 0.819 0.040 20.483 0.000 0.819 0.596
## .A3 0.771 0.043 17.790 0.000 0.771 0.455
## .A4 1.675 0.057 29.433 0.000 1.675 0.766
## .A5 0.843 0.044 19.330 0.000 0.843 0.533
## .C1 1.105 0.051 21.583 0.000 1.105 0.718
## .C2 1.148 0.049 23.239 0.000 1.148 0.661
## .C3 1.186 0.042 28.147 0.000 1.186 0.715
## .C4 1.003 0.053 18.990 0.000 1.003 0.531
## .C5 1.638 0.066 24.750 0.000 1.638 0.618
## .E1 1.811 0.058 31.495 0.000 1.811 0.681
## .E2 1.358 0.057 23.800 0.000 1.358 0.527
## .E3 1.099 0.043 25.309 0.000 1.099 0.601
## .E4 1.099 0.048 23.079 0.000 1.099 0.518
## .E5 1.244 0.044 28.312 0.000 1.244 0.698
## .N1 0.843 0.049 17.041 0.000 0.843 0.342
## .N2 0.846 0.047 18.040 0.000 0.846 0.363
## .N3 1.231 0.051 24.156 0.000 1.231 0.480
## .N4 1.660 0.057 29.196 0.000 1.660 0.674
## .N5 1.949 0.057 34.452 0.000 1.949 0.744
## .O1 0.870 0.036 24.496 0.000 0.870 0.682
## .O2 2.076 0.066 31.435 0.000 2.076 0.848
## .O3 0.705 0.052 13.562 0.000 0.705 0.473
## .O4 1.405 0.051 27.280 0.000 1.405 0.942
## .O5 1.396 0.056 25.100 0.000 1.396 0.792
## A 1.000 1.000 1.000
## C 1.000 1.000 1.000
## E 1.000 1.000 1.000
## N 1.000 1.000 1.000
## O 1.000 1.000 1.000Interpretación de las cargas factoriales
El resumen del modelo CFA muestra que todas las cargas factoriales son estadísticamente significativas (p < .001), lo que indica que los indicadores están relacionados con sus factores latentes correspondientes.
Sin embargo, al examinar las cargas estandarizadas (Std.all) se observa que algunos ítems presentan valores relativamente bajos. En particular, A1 (0.334) y O4 (0.240) muestran cargas inferiores al umbral comúnmente recomendado de 0.40, lo que sugiere que estos indicadores representan de forma más débil sus respectivos constructos.
La mayoría de los demás ítems presentan cargas moderadas o altas, especialmente en el factor Neuroticism, donde las cargas estandarizadas son elevadas (por ejemplo, N1 = 0.811 y N2 = 0.798), lo que indica una buena representación del constructo.
Los resultados sugieren que los indicadores están asociados con los factores teóricos propuestos, aunque existe cierta heterogeneidad en la magnitud de las cargas factoriales.
1.3 Evaluación del ajuste
fitMeasures(
ajuste_cfa,
c(
"chisq",
"df",
"pvalue",
"cfi",
"tli",
"rmsea",
"rmsea.ci.lower",
"rmsea.ci.upper",
"srmr",
"aic",
"bic"
)
)## chisq df pvalue cfi tli
## 4674.263 265.000 0.000 0.776 0.747
## rmsea rmsea.ci.lower rmsea.ci.upper srmr aic
## 0.077 0.075 0.079 0.072 228726.757
## bic
## 229231.4341.3.1. Evaluación de los índices de ajuste
El test χ² fue significativo (χ²(265) = 4674.26, p < .001), lo que indica que el modelo no reproduce perfectamente la matriz de covarianzas observada. No obstante, este resultado es frecuente en muestras grandes como la presente (N ≈ 2800), por lo que se deben considerar también otros índices de ajuste.
Los índices incrementales muestran valores bajos (CFI = 0.776; TLI = 0.747), claramente por debajo del umbral recomendado de 0.90, lo que sugiere un ajuste insuficiente del modelo.
El RMSEA = 0.077 (IC 90% [0.075, 0.079]) indica un ajuste moderado, dentro del rango aceptable (< 0.08), aunque no óptimo. Por su parte, el SRMR = 0.072 se encuentra dentro del rango considerado aceptable (< 0.08).
En conjunto, estos resultados indican que el modelo reproduce parcialmente la estructura de los datos, pero presenta problemas de ajuste global, principalmente reflejados en los bajos valores de CFI y TLI.
1.3.2. Tipo de misfit detectado
Aunque el modelo de cinco factores mejora claramente respecto al modelo unidimensional, los índices de ajuste indican que el ajuste global todavía es limitado (CFI = 0.776; TLI = 0.747). Parte de este misfit parece estar asociado a cargas factoriales relativamente bajas en algunos indicadores, lo que sugiere que ciertos ítems representan de forma débil su factor latente. Por ejemplo, algunos indicadores presentan cargas estandarizadas cercanas o inferiores a 0.40, lo que implica que explican una proporción limitada de la varianza del constructo.
Esto sugiere que el desajuste del modelo puede estar relacionado principalmente con indicadores poco representativos de sus factores, más que con la presencia clara de covarianzas residuales elevadas o cargas cruzadas. En consecuencia, aunque la estructura de cinco factores se observa en los datos, la calidad de algunos indicadores podría estar limitando el ajuste global del modelo.
A pesar de estas limitaciones, se procede a evaluar la validez de constructo, analizando la fiabilidad compuesta (ω), la varianza media extraída (AVE) y las correlaciones entre factores.
1.4. Validez de constructo
semTools::compRelSEM(ajuste_cfa)## $A
##
## Composite `A` is composed of observed variables:
## A1, A2, A3, A4, A5
## True-score variance is represented by common factor(s):
## A
## Total variance of composite `A` determined from the unrestricted model.
## The proportion attributable to "true" scores is its model-based estimate of reliability ("omega"):
##
## [1] 0.699
##
## $C
##
## Composite `C` is composed of observed variables:
## C1, C2, C3, C4, C5
## True-score variance is represented by common factor(s):
## C
## Total variance of composite `C` determined from the unrestricted model.
## The proportion attributable to "true" scores is its model-based estimate of reliability ("omega"):
##
## [1] 0.73
##
## $E
##
## Composite `E` is composed of observed variables:
## E1, E2, E3, E4, E5
## True-score variance is represented by common factor(s):
## E
## Total variance of composite `E` determined from the unrestricted model.
## The proportion attributable to "true" scores is its model-based estimate of reliability ("omega"):
##
## [1] 0.761
##
## $N
##
## Composite `N` is composed of observed variables:
## N1, N2, N3, N4, N5
## True-score variance is represented by common factor(s):
## N
## Total variance of composite `N` determined from the unrestricted model.
## The proportion attributable to "true" scores is its model-based estimate of reliability ("omega"):
##
## [1] 0.806
##
## $O
##
## Composite `O` is composed of observed variables:
## O1, O2, O3, O4, O5
## True-score variance is represented by common factor(s):
## O
## Total variance of composite `O` determined from the unrestricted model.
## The proportion attributable to "true" scores is its model-based estimate of reliability ("omega"):
##
## [1] 0.565semTools::AVE(ajuste_cfa)## A C E N O
## 0.334 0.358 0.397 0.475 0.238inspect(ajuste_cfa, "cor.lv")## A C E N O
## A 1.000
## C 0.341 1.000
## E 0.684 0.351 1.000
## N -0.220 -0.289 -0.234 1.000
## O 0.315 0.300 0.451 -0.118 1.000Fiabilidad compuesta (ω) para cada factor → ¿supera el criterio de .70?
La fiabilidad compuesta es adecuada para C (0.730), E (0.761) y N (0.806), ya que superan el criterio de 0.70. A (0.699) se sitúa muy cerca del umbral, mientras que O (0.565) no alcanza el criterio recomendado.
AVE para cada factor → ¿supera el criterio de .50?
Ningún factor supera el criterio de AVE ≥ 0.50. El valor más alto corresponde a N (0.475), pero sigue siendo inferior al umbral, lo que indica validez convergente limitada.
Correlaciones entre factores → ¿se viola la validez discriminante (√AVE > r)?
Sí, se observa una posible violación de la validez discriminante, especialmente entre Agreeableness y Extraversion (r = 0.684), ya que esta correlación es mayor que la raíz cuadrada de la AVE de Agreeableness. Esto sugiere que ambos factores no están claramente diferenciados en el modelo.
1.5. Índices de modificación
modindices(ajuste_cfa, sort = TRUE, maximum.number = 10)## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 451 N1 ~~ N2 444.004 0.807 0.807 0.956 0.956
## 149 E =~ N4 219.496 -0.441 -0.441 -0.281 -0.281
## 188 O =~ E3 155.614 0.405 0.405 0.300 0.300
## 125 C =~ E5 145.730 0.353 0.353 0.264 0.264
## 468 N3 ~~ N4 145.142 0.401 0.401 0.281 0.281
## 189 O =~ E4 135.210 -0.399 -0.399 -0.274 -0.274
## 154 E =~ O4 128.783 -0.350 -0.350 -0.287 -0.287
## 416 E2 ~~ O4 128.369 -0.331 -0.331 -0.240 -0.240
## 162 N =~ C2 123.403 0.292 0.292 0.221 0.221
## 306 C1 ~~ C2 122.549 0.297 0.297 0.264 0.264Los índices de modificación muestran posibles mejoras del modelo si se permitieran ciertas covarianzas residuales o cargas cruzadas. El mayor índice corresponde a la covarianza entre N1 y N2 (MI = 444.00), lo que sugiere que ambos ítems podrían compartir varianza residual adicional no explicada por el factor Neuroticism.
También aparecen posibles cargas cruzadas, como N4 en Extraversion o E3 en Openness, así como covarianzas residuales entre algunos ítems (por ejemplo N3 ~~ N4 o C1 ~~ C2).
Sin embargo, estas modificaciones no cuentan con una justificación teórica clara dentro de la estructura del modelo de los Cinco Grandes, por lo que se decidió mantener la especificación original del modelo y no introducir reespecificaciones basadas únicamente en criterios estadísticos.
1.6 Comparación de modelos
Modelo alternativo (M0): factor general
Primero definimos un modelo donde todos los ítems cargan en un único factor.
modelo_un_factor <- '
F =~ A1 + A2 + A3 + A4 + A5 +
C1 + C2 + C3 + C4 + C5 +
E1 + E2 + E3 + E4 + E5 +
N1 + N2 + N3 + N4 + N5 +
O1 + O2 + O3 + O4 + O5
'Estimación del modelo alternativo
ajuste_un_factor <- cfa(
modelo_un_factor,
data = datos_bfi,
estimator = "MLR",
missing = "fiml",
std.lv = TRUE
)Comparación de índices de ajuste
fitMeasures(
ajuste_un_factor,
c("chisq","df","cfi","tli","rmsea","srmr","aic","bic")
)## chisq df cfi tli rmsea srmr aic
## 11744.143 275.000 0.418 0.365 0.122 0.111 235776.637
## bic
## 236221.940fitMeasures(
ajuste_cfa,
c("chisq","df","cfi","tli","rmsea","srmr","aic","bic")
)## chisq df cfi tli rmsea srmr aic
## 4674.263 265.000 0.776 0.747 0.077 0.072 228726.757
## bic
## 229231.434| Índice | M0: 1 factor | M1: 5 factores |
|---|---|---|
| χ² | 11744.143 | 4674.263 |
| df | 275 | 265 |
| CFI | 0.418 | 0.776 |
| TLI | 0.365 | 0.747 |
| RMSEA | 0.122 | 0.077 |
| SRMR | 0.111 | 0.072 |
| AIC | 235776.637 | 228726.757 |
| BIC | 236221.940 | 229231.434 |
La comparación informal de los índices de ajuste muestra que el modelo de cinco factores (M1) presenta un ajuste claramente superior al modelo unidimensional (M0).
En particular, el CFI y el TLI aumentan notablemente (0.418 → 0.776 y 0.365 → 0.747), mientras que RMSEA y SRMR disminuyen (0.122 → 0.077 y 0.111 → 0.072).
Además, los criterios de información AIC y BIC son menores en el modelo de cinco factores, lo que indica un mejor equilibrio entre ajuste y complejidad.
En conjunto, estos resultados apoyan la estructura multidimensional del Big Five frente a un modelo de un solo factor.
Comparación formal
lavTestLRT(ajuste_un_factor, ajuste_cfa)##
## Scaled Chi-Squared Difference Test (method = "satorra.bentler.2001")
##
## lavaan->lavTestLRT():
## lavaan NOTE: The "Chisq" column contains standard test statistics, not the
## robust test that should be reported per model. A robust difference test is
## a function of two standard (not robust) statistics.
##
## Df AIC BIC Chisq Chisq diff Df diff Pr(>Chisq)
## ajuste_cfa 265 228727 229231 4674.3
## ajuste_un_factor 275 235777 236222 11744.1 4979.8 10 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se realizó una comparación entre el modelo unidimensional (M0) y el modelo teórico de cinco factores (M1) mediante un test de diferencia de chi-cuadrado robusto.
Los resultados indican que el modelo de cinco factores mejora significativamente el ajuste respecto al modelo de un solo factor (Δχ² = 4979.8, Δdf = 10, p < .001).
Esto respalda empíricamente la estructura multidimensional propuesta por la teoría del Big Five.
Conclusión del análisis CFA
Los resultados del CFA indican que el modelo teórico de cinco factores presenta un ajuste claramente superior al modelo unidimensional, lo que respalda empíricamente la estructura multidimensional del Big Five. Sin embargo, los índices de ajuste global (CFI = 0.776, TLI = 0.747) sugieren que el ajuste del modelo aún es limitado.
El examen de las cargas factoriales y de los índices de modificación sugiere que parte de este misfit podría estar asociado a algunos indicadores con cargas relativamente bajas, lo que indica que ciertos ítems representan de forma más débil sus factores latentes.
A pesar de estas limitaciones, se decidió mantener la especificación original del modelo, ya que las posibles reespecificaciones sugeridas por los índices de modificación no cuentan con una justificación teórica clara dentro del marco conceptual del modelo de los Cinco Grandes.
EJERCICIO 2
2.1 Planteamiento de hipótesis
H1 – Relación directa (regresión)
Se plantea que Neuroticism influye negativamente en Extraversion.
Desde la perspectiva de la psicología de la personalidad, niveles elevados de neuroticismo se asocian con mayor tendencia a experimentar emociones negativas, lo que suele relacionarse con niveles más bajos de bienestar y afecto positivo.
Neuroticism → Extraversion (relación negativa)
H2 – Mediación
Se plantea que Conscientiousness (Responsabilidad) media parcialmente la relación entre Neuroticism y Extraversion.
La literatura sugiere que niveles más altos de responsabilidad se asocian con conductas más organizadas y autorreguladas, lo que podría amortiguar el efecto negativo del neuroticismo sobre el bienestar.
Neuroticism → Conscientiousness → Extraversion
y se espera que:
Neuroticism prediga negativamente Conscientiousness
Conscientiousness prediga positivamente Extraversion
2.2 Especificación del modelo SEM
SEM_A Mediación parcial (efecto directo + indirecto)
modelo_sem <- '
A =~ A1 + A2 + A3 + A4 + A5
C =~ C1 + C2 + C3 + C4 + C5
E =~ E1 + E2 + E3 + E4 + E5
N =~ N1 + N2 + N3 + N4 + N5
O =~ O1 + O2 + O3 + O4 + O5
C ~ a*N # H2 (camino a): N → C
E ~ b*C + c*N # H1: N → E; H2 (camino b): C → E
indirecto := a*b # efecto indirecto
total := c + (a*b) # efecto total
'2.3 Estimación del modelo SEM con bootstrapping
set.seed(42) # Se fija una semilla para garantizar la reproducibilidad de los resultados
ajuste_sem <- sem(
model = modelo_sem,
data = datos_bfi,
estimator = "ML",
se = "bootstrap",
bootstrap = 1000
)El modelo SEM se estimó mediante Maximum Likelihood (ML). Para evaluar el efecto de mediación se utilizaron errores estándar bootstrap con 1000 remuestras, ya que el efecto indirecto suele presentar distribuciones no normales. El uso de bootstrapping permite obtener intervalos de confianza más robustos para los efectos indirectos.
Resumen del modelo SEM
summary(
ajuste_sem,
standardized = TRUE,
fit.measures = TRUE
)## lavaan 0.6-21 ended normally after 50 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 56
##
## Used Total
## Number of observations 2436 2800
##
## Model Test User Model:
##
## Test statistic 5066.127
## Degrees of freedom 269
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 18222.116
## Degrees of freedom 300
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.732
## Tucker-Lewis Index (TLI) 0.701
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -100290.568
## Loglikelihood unrestricted model (H1) -97757.504
##
## Akaike (AIC) 200693.136
## Bayesian (BIC) 201017.831
## Sample-size adjusted Bayesian (SABIC) 200839.905
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.086
## 90 Percent confidence interval - lower 0.084
## 90 Percent confidence interval - upper 0.088
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.110
##
## Parameter Estimates:
##
## Standard errors Bootstrap
## Number of requested bootstrap draws 1000
## Number of successful bootstrap draws 1000
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## A =~
## A1 1.000 0.542 0.385
## A2 1.444 0.094 15.393 0.000 0.782 0.663
## A3 1.846 0.132 13.949 0.000 1.000 0.762
## A4 1.374 0.107 12.788 0.000 0.744 0.501
## A5 1.527 0.119 12.867 0.000 0.827 0.651
## C =~
## C1 1.000 0.665 0.538
## C2 1.147 0.054 21.074 0.000 0.762 0.578
## C3 1.057 0.062 17.024 0.000 0.702 0.544
## C4 1.471 0.089 16.539 0.000 0.978 0.710
## C5 1.555 0.105 14.816 0.000 1.034 0.633
## E =~
## E1 1.000 0.956 0.586
## E2 1.269 0.047 27.035 0.000 1.213 0.752
## E3 0.803 0.040 19.977 0.000 0.768 0.568
## E4 1.068 0.043 25.014 0.000 1.021 0.696
## E5 0.751 0.041 18.252 0.000 0.718 0.534
## N =~
## N1 1.000 1.291 0.820
## N2 0.947 0.017 55.072 0.000 1.222 0.797
## N3 0.890 0.028 31.812 0.000 1.149 0.721
## N4 0.707 0.033 21.127 0.000 0.913 0.582
## N5 0.637 0.032 19.706 0.000 0.822 0.507
## O =~
## O1 1.000 0.630 0.559
## O2 1.093 0.098 11.145 0.000 0.688 0.443
## O3 1.298 0.074 17.608 0.000 0.818 0.679
## O4 0.517 0.055 9.368 0.000 0.326 0.273
## O5 1.044 0.090 11.568 0.000 0.658 0.497
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## C ~
## N (a) -0.156 0.015 -10.135 0.000 -0.303 -0.303
## E ~
## C (b) 0.423 0.048 8.869 0.000 0.294 0.294
## N (c) -0.144 0.026 -5.594 0.000 -0.194 -0.194
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## A ~~
## N -0.171 0.024 -7.178 0.000 -0.245 -0.245
## O 0.098 0.014 7.126 0.000 0.288 0.288
## N ~~
## O -0.112 0.027 -4.222 0.000 -0.138 -0.138
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .A1 1.686 0.060 28.317 0.000 1.686 0.852
## .A2 0.779 0.043 18.064 0.000 0.779 0.560
## .A3 0.720 0.049 14.628 0.000 0.720 0.419
## .A4 1.651 0.060 27.466 0.000 1.651 0.749
## .A5 0.930 0.048 19.538 0.000 0.930 0.576
## .C1 1.083 0.053 20.601 0.000 1.083 0.710
## .C2 1.158 0.050 22.939 0.000 1.158 0.666
## .C3 1.173 0.043 27.241 0.000 1.173 0.704
## .C4 0.938 0.051 18.427 0.000 0.938 0.495
## .C5 1.596 0.067 23.912 0.000 1.596 0.599
## .E1 1.746 0.058 29.917 0.000 1.746 0.656
## .E2 1.131 0.060 18.761 0.000 1.131 0.434
## .E3 1.237 0.046 26.891 0.000 1.237 0.677
## .E4 1.109 0.051 21.951 0.000 1.109 0.515
## .E5 1.288 0.049 26.381 0.000 1.288 0.714
## .N1 0.815 0.050 16.175 0.000 0.815 0.328
## .N2 0.855 0.050 17.022 0.000 0.855 0.364
## .N3 1.222 0.052 23.485 0.000 1.222 0.481
## .N4 1.629 0.061 26.642 0.000 1.629 0.662
## .N5 1.959 0.062 31.482 0.000 1.959 0.743
## .O1 0.872 0.038 22.694 0.000 0.872 0.687
## .O2 1.936 0.073 26.563 0.000 1.936 0.803
## .O3 0.783 0.051 15.445 0.000 0.783 0.539
## .O4 1.317 0.054 24.350 0.000 1.317 0.925
## .O5 1.319 0.061 21.658 0.000 1.319 0.753
## A 0.293 0.038 7.761 0.000 1.000 1.000
## .C 0.401 0.043 9.418 0.000 0.908 0.908
## .E 0.769 0.060 12.730 0.000 0.841 0.841
## N 1.667 0.068 24.644 0.000 1.000 1.000
## O 0.397 0.037 10.624 0.000 1.000 1.000
##
## Defined Parameters:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## indirecto -0.066 0.010 -6.809 0.000 -0.089 -0.089
## total -0.210 0.024 -8.574 0.000 -0.283 -0.283Los índices de ajuste indican que el modelo presenta un ajuste limitado a los datos (CFI = 0.732; TLI = 0.701; RMSEA = 0.086; SRMR = 0.110), lo que sugiere que el modelo reproduce de forma limitada la matriz de covarianzas observadas.
En cuanto a las relaciones estructurales, los resultados muestran que el Neuroticismo predice negativamente la Responsabilidad (β = −0.303, p < .001), mientras que la Responsabilidad predice positivamente la Extraversión (β = 0.294, p < .001). Además, el Neuroticismo presenta un efecto directo negativo sobre la Extraversión (β = −0.194, p < .001).
Estos resultados son consistentes con la hipótesis teórica planteada y sugieren la existencia de un posible efecto de mediación de la Responsabilidad en la relación entre Neuroticismo y Extraversión, que se evalúa formalmente en el siguiente apartado mediante intervalos de confianza obtenidos por bootstrapping.
2.4. Interpretación de la mediación
parameterEstimates(
ajuste_sem,
boot.ci.type = "bca.simple",
level = 0.95
) |>
subset(label %in% c("a", "b", "c", "indirecto", "total"))## lhs op rhs label est se z pvalue ci.lower ci.upper
## 26 C ~ N a -0.156 0.015 -10.135 0 -0.185 -0.125
## 27 E ~ C b 0.423 0.048 8.869 0 0.329 0.519
## 28 E ~ N c -0.144 0.026 -5.594 0 -0.198 -0.096
## 62 indirecto := a*b indirecto -0.066 0.010 -6.809 0 -0.087 -0.047
## 63 total := c+(a*b) total -0.210 0.024 -8.574 0 -0.263 -0.165El efecto indirecto es significativo (β = −0.066, p < .001), y su intervalo de confianza bootstrap al 95% [−0.087,−0.047][−0.087,−0.047] no incluye el valor 0, lo que indica la presencia de mediación.
Dado que el efecto directo entre Neuroticism y Extraversion también permanece significativo (β = −0.144, p < .001), se trata de una mediación parcial.
El tamaño del efecto de mediación, calculado como el ratio indirecto/total, es aproximadamente 0.31, lo que indica que alrededor del 31% del efecto total se transmite a través de Conscientiousness.
2.5. Índices de modificación en el SEM
modindices(
ajuste_sem,
sort = TRUE,
maximum.number = 15,
op = c("=~", "~", "~~")
)## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 473 N ~ E 684.319 3.690 2.732 2.732 2.732
## 469 E ~~ N 556.018 2.727 2.408 2.408 2.408
## 419 N1 ~~ N2 460.590 0.843 0.843 1.010 1.010
## 465 A ~~ E 412.497 0.250 0.525 0.525 0.525
## 117 E =~ N4 224.220 -0.507 -0.485 -0.309 -0.309
## 156 O =~ E3 217.457 0.680 0.428 0.317 0.317
## 472 N ~ C 200.645 2.964 1.526 1.526 1.526
## 467 C ~~ N 200.635 1.190 1.454 1.454 1.454
## 108 E =~ A5 178.551 0.338 0.323 0.254 0.254
## 121 E =~ O3 163.127 0.322 0.308 0.256 0.256
## 72 A =~ E4 129.262 0.570 0.309 0.211 0.211
## 274 C1 ~~ C2 126.846 0.316 0.316 0.282 0.282
## 436 N3 ~~ N4 122.338 0.384 0.384 0.272 0.272
## 93 C =~ E5 118.965 0.511 0.340 0.253 0.253
## 122 E =~ O4 110.136 -0.291 -0.279 -0.234 -0.234Los índices de modificación sugieren posibles covarianzas adicionales entre algunos factores latentes, especialmente entre Neuroticism y Extraversion (MI = 684.3), así como entre Agreeableness y Extraversion y Conscientiousness y Neuroticism.
Estos resultados indican que podría existir varianza compartida entre estos constructos que no está completamente capturada por la estructura actual del modelo. En particular, la elevada sugerencia de covarianza entre Neuroticism y Extraversion es coherente con la literatura sobre personalidad, donde ambos rasgos suelen mostrar una relación negativa moderada.
Asimismo, algunos índices de modificación aparecen a nivel de indicadores (por ejemplo, covarianzas residuales entre N1 y N2), lo que podría reflejar similitudes en el contenido de ciertos ítems. No obstante, dado que estas relaciones no forman parte de las hipótesis teóricas planteadas y que introducir modificaciones basadas únicamente en criterios estadísticos puede comprometer la interpretabilidad del modelo, se decidió mantener la especificación original del modelo SEM sin reespecificaciones adicionales.
2.6. Comparación de modelos estructurales alternativos
2.6.1. SEM_B Mediación completa (solo efecto indirecto)
modelo_sem_B <- '
# Parte de medida (igual que antes)
A =~ A1 + A2 + A3 + A4 + A5
C =~ C1 + C2 + C3 + C4 + C5
E =~ E1 + E2 + E3 + E4 + E5
N =~ N1 + N2 + N3 + N4 + N5
O =~ O1 + O2 + O3 + O4 + O5
# Parte estructural (SIN efecto directo)
C ~ a*N # N → C
E ~ b*C # C → E
# Efectos
indirecto := a*b
total := indirecto # en mediación completa, total = indirecto
'Se especificó un modelo alternativo de mediación completa, en contraste con el modelo anterior de mediación parcial (SEM_A). En este caso, se elimina el efecto directo de Neuroticism sobre Extraversion, asumiendo que el efecto de Neuroticism sobre Extraversion se canaliza exclusivamente a través de Conscientiousness como variable mediadora. Esta especificación implica una restricción más fuerte, ya que todo el efecto de Neuroticism sobre Extraversion debe transmitirse únicamente a través del efecto indirecto.
Estimación del modelo SEM_B
El modelo de mediación completa (SEM_B) se estimó mediante máxima verosimilitud (ML) con errores estándar bootstrap y 1000 réplicas. Se utilizaron las mismas condiciones de estimación que en el modelo anterior (SEM_A), lo que permite una comparación directa entre ambos modelos. De este modo, cualquier diferencia en el ajuste puede atribuirse exclusivamente a la restricción estructural impuesta, es decir, la eliminación del efecto directo entre Neuroticism y Extraversion
set.seed(42) # Se fija una semilla para garantizar la reproducibilidad
ajuste_sem_B <- sem(
model = modelo_sem_B,
data = datos_bfi,
estimator = "ML",
se = "bootstrap",
bootstrap = 1000
)Comparación entre modelos SEM_A y SEM_B
lavTestLRT(ajuste_sem, ajuste_sem_B)##
## Chi-Squared Difference Test
##
## Df AIC BIC Chisq Chisq diff RMSEA Df diff Pr(>Chisq)
## ajuste_sem 269 200693 201018 5066.1
## ajuste_sem_B 270 200746 201065 5120.8 54.722 0.1485 1 1.388e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Test de diferencia de chi-cuadrado (χ²)
La comparación entre el modelo de mediación parcial (SEM_A) y el modelo de mediación completa (SEM_B) se realizó mediante un test de diferencia de chi-cuadrado para modelos anidados. Los resultados muestran que la restricción impuesta en el modelo de mediación completa produce un empeoramiento significativo del ajuste (Δχ² = 54.72, gl = 1, p < .001). Por tanto, el modelo de mediación parcial presenta un mejor ajuste a los datos y se considera más adecuado.
Este resultado indica que el efecto directo de Neuroticism sobre Extraversion no puede eliminarse sin deteriorar significativamente el ajuste del modelo, lo que respalda la existencia de una mediación parcial.
Comparación mediante AIC y BIC
La comparación de los modelos mediante los criterios de información AIC y BIC muestra que el modelo de mediación parcial (SEM_A) presenta valores inferiores (AIC = 200693.14; BIC = 201017.83) en comparación con el modelo de mediación completa (SEM_B: AIC = 200746.86; BIC = 201065.06). Dado que valores más bajos de AIC y BIC indican un mejor equilibrio entre ajuste y parsimonia, estos resultados refuerzan la superioridad del modelo de mediación parcial.
2.6.2. Modelo SEM_C: Modelo alternativo teórico
modelo_sem_C <- '
# Parte de medida
A =~ A1 + A2 + A3 + A4 + A5
C =~ C1 + C2 + C3 + C4 + C5
E =~ E1 + E2 + E3 + E4 + E5
N =~ N1 + N2 + N3 + N4 + N5
O =~ O1 + O2 + O3 + O4 + O5
# Parte estructural (modelo más flexible)
C ~ a*N # N → C
E ~ b*C + c*N # C → E y N → E
N ~ d*C # NUEVO: C → N
# Efectos
indirecto := a*b
total := c + (a*b)
'Se especificó un modelo alternativo (SEM_C) que amplía la estructura del modelo original incorporando una relación adicional entre las variables latentes. En concreto, se incluye un efecto de Conscientiousness sobre Neuroticism, lo que permite capturar posibles relaciones bidireccionales entre ambos constructos. Este modelo es más flexible que el modelo de mediación parcial, ya que introduce un mayor número de parámetros y reduce las restricciones estructurales, permitiendo evaluar si una especificación más compleja mejora el ajuste del modelo.
Estimación del modelo SEM_C
set.seed(42) # Se fija una semilla para garantizar la reproducibilidad de los resultados
ajuste_sem_C <- sem(
model = modelo_sem_C,
data = datos_bfi,
estimator = "ML",
se = "bootstrap",
bootstrap = 1000
)El modelo alternativo (SEM_C) se estimó mediante máxima verosimilitud (ML) con errores estándar bootstrap y 1000 réplicas, manteniendo las mismas condiciones de estimación que en los modelos anteriores. Esto permite garantizar la comparabilidad entre modelos y evaluar si la incorporación de una estructura más flexible mejora el ajuste del modelo.
Comparación SEM_C con SEM_A
lavTestLRT(ajuste_sem, ajuste_sem_C)##
## Chi-Squared Difference Test
##
## Df AIC BIC Chisq Chisq diff RMSEA Df diff Pr(>Chisq)
## ajuste_sem 269 200693 201018 5066.1
## ajuste_sem_C 270 200797 201116 5171.9 105.73 0.20735 1 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Test de diferencia de chi-cuadrado (χ²)
La comparación entre el modelo de mediación parcial (SEM_A) y el modelo alternativo (SEM_C) se realizó mediante un test de diferencia de chi-cuadrado para modelos anidados. Los resultados muestran que el modelo alternativo presenta un ajuste significativamente peor (Δχ² = 105.73, gl = 1, p < .001).
Por tanto, la incorporación de la relación adicional entre Conscientiousness y Neuroticism no mejora el modelo, sino que empeora su capacidad de reproducir los datos. En consecuencia, el modelo de mediación parcial (SEM_A) se mantiene como la especificación preferida.
Comparación mediante AIC y BIC
Los criterios de información también respaldan esta conclusión, ya que el modelo de mediación parcial (SEM_A) presenta valores inferiores (AIC = 200693.14; BIC = 201017.83) en comparación con el modelo alternativo (SEM_C: AIC = 200796.87; BIC = 201116.08). Dado que valores más bajos indican un mejor equilibrio entre ajuste y parsimonia, estos resultados refuerzan la superioridad del modelo SEM_A.
El empeoramiento del ajuste en el modelo SEM_C sugiere que la relación adicional especificada no está respaldada por los datos, lo que refuerza la plausibilidad teórica de la dirección causal propuesta en el modelo original.
EJERCICIO 3
Tabla 1
Estadísticos descriptivos e intercorrelaciones de los indicadores observados
library(psych)
# Seleccionar solo indicadores observados
items <- datos_bfi
# Estadísticos descriptivos
descriptivos <- describe(items)[, c("mean", "sd", "min", "max")]
# Matriz de correlaciones
correlaciones <- cor(items, use = "pairwise.complete.obs")
# Ver resultados
descriptivos## mean sd min max
## A1 4.59 1.41 1 6
## A2 4.80 1.17 1 6
## A3 4.60 1.30 1 6
## A4 4.70 1.48 1 6
## A5 4.56 1.26 1 6
## C1 4.50 1.24 1 6
## C2 4.37 1.32 1 6
## C3 4.30 1.29 1 6
## C4 4.45 1.38 1 6
## C5 3.70 1.63 1 6
## E1 4.03 1.63 1 6
## E2 3.86 1.61 1 6
## E3 4.00 1.35 1 6
## E4 4.42 1.46 1 6
## E5 4.42 1.33 1 6
## N1 2.93 1.57 1 6
## N2 3.51 1.53 1 6
## N3 3.22 1.60 1 6
## N4 3.19 1.57 1 6
## N5 2.97 1.62 1 6
## O1 4.82 1.13 1 6
## O2 4.29 1.57 1 6
## O3 4.44 1.22 1 6
## O4 4.89 1.22 1 6
## O5 4.51 1.33 1 6correlaciones## A1 A2 A3 A4 A5 C1
## A1 1.00000000 0.34019325 0.265247052 0.146424511 0.1814382685 -0.02780283
## A2 0.34019325 1.00000000 0.485098039 0.335087208 0.3900835843 0.09237432
## A3 0.26524705 0.48509804 1.000000000 0.360428299 0.5041411441 0.09678177
## A4 0.14642451 0.33508721 0.360428299 1.000000000 0.3075372645 0.08947378
## A5 0.18143827 0.39008358 0.504141144 0.307537265 1.0000000000 0.12067663
## C1 -0.02780283 0.09237432 0.096781772 0.089473784 0.1206766324 1.00000000
## C2 -0.01635952 0.13627803 0.141480508 0.232079429 0.1138794009 0.42782308
## C3 0.01933748 0.19248602 0.131539187 0.132221252 0.1342674013 0.30773141
## C4 0.12966956 0.14588951 0.121342148 0.151839742 0.1252662511 0.34016517
## C5 0.05008804 0.12203244 0.156371434 0.242205052 0.1695890296 0.24974416
## E1 0.10620426 0.20830645 0.212968291 0.111660101 0.2458309104 0.02425894
## E2 0.09257065 0.23187602 0.286090034 0.187840854 0.3326063892 0.09209495
## E3 0.04649820 0.25102931 0.388542255 0.190078507 0.4161188483 0.11628073
## E4 0.05864595 0.28049479 0.377805326 0.297703546 0.4700689160 0.14034795
## E5 0.02184963 0.29389896 0.252335634 0.159932483 0.2691026302 0.24685253
## N1 -0.16647717 -0.08767439 -0.084106124 -0.098936157 -0.1957347325 -0.06745560
## N2 -0.13931876 -0.05049870 -0.088303898 -0.143785958 -0.1880788582 -0.04031424
## N3 -0.10269550 -0.03549215 -0.041473995 -0.070287040 -0.1354973446 -0.02932830
## N4 -0.05220365 -0.08971128 -0.128240465 -0.166311475 -0.2022734383 -0.09743754
## N5 -0.01667965 0.01916850 -0.036932115 -0.007078645 -0.0761253909 -0.05336458
## O1 -0.01258036 0.13066892 0.145967388 0.061130907 0.1648332766 0.16729255
## O2 0.07905686 -0.01602101 -0.001294085 -0.038319989 -0.0007582239 0.11370514
## O3 0.06331059 0.16363739 0.222986886 0.072082219 0.2371562710 0.19082346
## O4 0.07769083 0.08794461 0.035708224 -0.038625093 0.0166455200 0.10944658
## O5 0.11449130 0.08845539 0.049546973 -0.020766363 0.0485219731 0.11754914
## C2 C3 C4 C5 E1 E2
## A1 -0.016359516 0.019337479 0.12966956 0.05008804 0.106204259 0.09257065
## A2 0.136278026 0.192486023 0.14588951 0.12203244 0.208306449 0.23187602
## A3 0.141480508 0.131539187 0.12134215 0.15637143 0.212968291 0.28609003
## A4 0.232079429 0.132221252 0.15183974 0.24220505 0.111660101 0.18784085
## A5 0.113879401 0.134267401 0.12526625 0.16958903 0.245830910 0.33260639
## C1 0.427823083 0.307731412 0.34016517 0.24974416 0.024258941 0.09209495
## C2 1.000000000 0.355702096 0.37935492 0.29774161 -0.017451193 0.06012354
## C3 0.355702096 1.000000000 0.33672110 0.34011285 0.002923233 0.07728041
## C4 0.379354923 0.336721099 1.00000000 0.47637081 0.093789622 0.20118434
## C5 0.297741610 0.340112848 0.47637081 1.00000000 0.063926767 0.26239506
## E1 -0.017451193 0.002923233 0.09378962 0.06392677 1.000000000 0.46715718
## E2 0.060123536 0.077280407 0.20118434 0.26239506 0.467157178 1.00000000
## E3 0.151997911 0.087126563 0.07912313 0.16081250 0.325257547 0.37997321
## E4 0.123233076 0.092167939 0.10799313 0.19812781 0.418559335 0.51412130
## E5 0.246418553 0.212225884 0.23591202 0.23390803 0.301703448 0.37385341
## N1 -0.020658154 -0.070863335 -0.21997740 -0.21136779 -0.017208665 -0.16613980
## N2 -0.008970375 -0.060532544 -0.16296844 -0.24880192 -0.014972371 -0.19344959
## N3 0.003475851 -0.066396511 -0.20952578 -0.24461618 -0.050927722 -0.19677734
## N4 -0.045043269 -0.111260597 -0.26266072 -0.34302079 -0.229789914 -0.34512262
## N5 0.051146639 -0.012176733 -0.19658096 -0.17402307 -0.050871282 -0.25437669
## O1 0.164803249 0.088312432 0.08641135 0.08237622 0.100373264 0.15928592
## O2 0.041212845 0.028573431 0.21128738 0.13749900 0.044619927 0.08123925
## O3 0.190238748 0.062811308 0.07811735 0.07994378 0.217860113 0.22875617
## O4 0.056518967 0.017097774 -0.05003555 -0.13884305 -0.077846027 -0.17428391
## O5 0.054867274 0.005712432 0.19779782 0.05541436 0.100905875 0.07911392
## E3 E4 E5 N1 N2 N3
## A1 0.04649820 0.05864595 0.021849627 -0.16647717 -0.139318764 -0.102695499
## A2 0.25102931 0.28049479 0.293898959 -0.08767439 -0.050498698 -0.035492149
## A3 0.38854226 0.37780533 0.252335634 -0.08410612 -0.088303898 -0.041473995
## A4 0.19007851 0.29770355 0.159932483 -0.09893616 -0.143785958 -0.070287040
## A5 0.41611885 0.47006892 0.269102630 -0.19573473 -0.188078858 -0.135497345
## C1 0.11628073 0.14034795 0.246852530 -0.06745560 -0.040314244 -0.029328303
## C2 0.15199791 0.12323308 0.246418553 -0.02065815 -0.008970375 0.003475851
## C3 0.08712656 0.09216794 0.212225884 -0.07086333 -0.060532544 -0.066396511
## C4 0.07912313 0.10799313 0.235912016 -0.21997740 -0.162968436 -0.209525776
## C5 0.16081250 0.19812781 0.233908034 -0.21136779 -0.248801924 -0.244616181
## E1 0.32525755 0.41855933 0.301703448 -0.01720866 -0.014972371 -0.050927722
## E2 0.37997321 0.51412130 0.373853410 -0.16613980 -0.193449588 -0.196777338
## E3 1.00000000 0.41902479 0.383177470 -0.05044726 -0.066967640 -0.020715071
## E4 0.41902479 1.00000000 0.315842936 -0.13521295 -0.139235373 -0.099937518
## E5 0.38317747 0.31584294 1.000000000 0.03804739 0.035696319 -0.062094971
## N1 -0.05044726 -0.13521295 0.038047387 1.00000000 0.706980955 0.556425092
## N2 -0.06696764 -0.13923537 0.035696319 0.70698096 1.000000000 0.549103077
## N3 -0.02071507 -0.09993752 -0.062094971 0.55642509 0.549103077 1.000000000
## N4 -0.14551804 -0.28808867 -0.211689330 0.39780585 0.391570377 0.519504318
## N5 -0.07443958 -0.09239169 -0.134319892 0.37812644 0.350612639 0.428418658
## O1 0.32662705 0.13658006 0.297988601 -0.05051168 -0.048090750 -0.034292636
## O2 0.06680727 -0.05692693 0.082868886 -0.13007670 -0.126965116 -0.107221060
## O3 0.39333650 0.20728931 0.292795402 -0.05186180 -0.034643039 -0.029648540
## O4 0.05206144 -0.09710671 -0.004978381 0.07882703 0.130811279 0.176504950
## O5 0.11203519 -0.05388091 0.114785749 -0.10989336 -0.039866361 -0.060091251
## N4 N5 O1 O2 O3 O4
## A1 -0.05220365 -0.016679649 -0.01258036 0.0790568559 0.06331059 0.077690829
## A2 -0.08971128 0.019168496 0.13066892 -0.0160210139 0.16363739 0.087944605
## A3 -0.12824047 -0.036932115 0.14596739 -0.0012940855 0.22298689 0.035708224
## A4 -0.16631148 -0.007078645 0.06113091 -0.0383199887 0.07208222 -0.038625093
## A5 -0.20227344 -0.076125391 0.16483328 -0.0007582239 0.23715627 0.016645520
## C1 -0.09743754 -0.053364576 0.16729255 0.1137051434 0.19082346 0.109446581
## C2 -0.04504327 0.051146639 0.16480325 0.0412128454 0.19023875 0.056518967
## C3 -0.11126060 -0.012176733 0.08831243 0.0285734313 0.06281131 0.017097774
## C4 -0.26266072 -0.196580962 0.08641135 0.2112873794 0.07811735 -0.050035552
## C5 -0.34302079 -0.174023071 0.08237622 0.1374989952 0.07994378 -0.138843052
## E1 -0.22978991 -0.050871282 0.10037326 0.0446199267 0.21786011 -0.077846027
## E2 -0.34512262 -0.254376690 0.15928592 0.0812392515 0.22875617 -0.174283912
## E3 -0.14551804 -0.074439580 0.32662705 0.0668072726 0.39333650 0.052061442
## E4 -0.28808867 -0.092391693 0.13658006 -0.0569269266 0.20728931 -0.097106713
## E5 -0.21168933 -0.134319892 0.29798860 0.0828688859 0.29279540 -0.004978381
## N1 0.39780585 0.378126441 -0.05051168 -0.1300767042 -0.05186180 0.078827032
## N2 0.39157038 0.350612639 -0.04809075 -0.1269651157 -0.03464304 0.130811279
## N3 0.51950432 0.428418658 -0.03429264 -0.1072210604 -0.02964854 0.176504950
## N4 1.00000000 0.397696146 -0.04901061 -0.0827760548 -0.06389723 0.210215114
## N5 0.39769615 1.000000000 -0.11608060 -0.1984978187 -0.07602028 0.113870121
## O1 -0.04901061 -0.116080599 1.00000000 0.2137348252 0.39533592 0.178375816
## O2 -0.08277605 -0.198497819 0.21373483 1.0000000000 0.26155796 0.068320304
## O3 -0.06389723 -0.076020279 0.39533592 0.2615579557 1.00000000 0.194504772
## O4 0.21021511 0.113870121 0.17837582 0.0683203041 0.19450477 1.000000000
## O5 -0.04420589 -0.135083285 0.23899211 0.3248698408 0.31064041 0.179051240
## O5
## A1 0.114491301
## A2 0.088455392
## A3 0.049546973
## A4 -0.020766363
## A5 0.048521973
## C1 0.117549135
## C2 0.054867274
## C3 0.005712432
## C4 0.197797824
## C5 0.055414361
## E1 0.100905875
## E2 0.079113918
## E3 0.112035190
## E4 -0.053880906
## E5 0.114785749
## N1 -0.109893362
## N2 -0.039866361
## N3 -0.060091251
## N4 -0.044205888
## N5 -0.135083285
## O1 0.238992113
## O2 0.324869841
## O3 0.310640408
## O4 0.179051240
## O5 1.000000000library(knitr)
kable(round(descriptivos, 2), caption = "Estadísticos descriptivos")| mean | sd | min | max | |
|---|---|---|---|---|
| A1 | 4.59 | 1.41 | 1 | 6 |
| A2 | 4.80 | 1.17 | 1 | 6 |
| A3 | 4.60 | 1.30 | 1 | 6 |
| A4 | 4.70 | 1.48 | 1 | 6 |
| A5 | 4.56 | 1.26 | 1 | 6 |
| C1 | 4.50 | 1.24 | 1 | 6 |
| C2 | 4.37 | 1.32 | 1 | 6 |
| C3 | 4.30 | 1.29 | 1 | 6 |
| C4 | 4.45 | 1.38 | 1 | 6 |
| C5 | 3.70 | 1.63 | 1 | 6 |
| E1 | 4.03 | 1.63 | 1 | 6 |
| E2 | 3.86 | 1.61 | 1 | 6 |
| E3 | 4.00 | 1.35 | 1 | 6 |
| E4 | 4.42 | 1.46 | 1 | 6 |
| E5 | 4.42 | 1.33 | 1 | 6 |
| N1 | 2.93 | 1.57 | 1 | 6 |
| N2 | 3.51 | 1.53 | 1 | 6 |
| N3 | 3.22 | 1.60 | 1 | 6 |
| N4 | 3.19 | 1.57 | 1 | 6 |
| N5 | 2.97 | 1.62 | 1 | 6 |
| O1 | 4.82 | 1.13 | 1 | 6 |
| O2 | 4.29 | 1.57 | 1 | 6 |
| O3 | 4.44 | 1.22 | 1 | 6 |
| O4 | 4.89 | 1.22 | 1 | 6 |
| O5 | 4.51 | 1.33 | 1 | 6 |
kable(round(correlaciones, 2), caption = "Matriz de correlaciones")| A1 | A2 | A3 | A4 | A5 | C1 | C2 | C3 | C4 | C5 | E1 | E2 | E3 | E4 | E5 | N1 | N2 | N3 | N4 | N5 | O1 | O2 | O3 | O4 | O5 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| A1 | 1.00 | 0.34 | 0.27 | 0.15 | 0.18 | -0.03 | -0.02 | 0.02 | 0.13 | 0.05 | 0.11 | 0.09 | 0.05 | 0.06 | 0.02 | -0.17 | -0.14 | -0.10 | -0.05 | -0.02 | -0.01 | 0.08 | 0.06 | 0.08 | 0.11 |
| A2 | 0.34 | 1.00 | 0.49 | 0.34 | 0.39 | 0.09 | 0.14 | 0.19 | 0.15 | 0.12 | 0.21 | 0.23 | 0.25 | 0.28 | 0.29 | -0.09 | -0.05 | -0.04 | -0.09 | 0.02 | 0.13 | -0.02 | 0.16 | 0.09 | 0.09 |
| A3 | 0.27 | 0.49 | 1.00 | 0.36 | 0.50 | 0.10 | 0.14 | 0.13 | 0.12 | 0.16 | 0.21 | 0.29 | 0.39 | 0.38 | 0.25 | -0.08 | -0.09 | -0.04 | -0.13 | -0.04 | 0.15 | 0.00 | 0.22 | 0.04 | 0.05 |
| A4 | 0.15 | 0.34 | 0.36 | 1.00 | 0.31 | 0.09 | 0.23 | 0.13 | 0.15 | 0.24 | 0.11 | 0.19 | 0.19 | 0.30 | 0.16 | -0.10 | -0.14 | -0.07 | -0.17 | -0.01 | 0.06 | -0.04 | 0.07 | -0.04 | -0.02 |
| A5 | 0.18 | 0.39 | 0.50 | 0.31 | 1.00 | 0.12 | 0.11 | 0.13 | 0.13 | 0.17 | 0.25 | 0.33 | 0.42 | 0.47 | 0.27 | -0.20 | -0.19 | -0.14 | -0.20 | -0.08 | 0.16 | 0.00 | 0.24 | 0.02 | 0.05 |
| C1 | -0.03 | 0.09 | 0.10 | 0.09 | 0.12 | 1.00 | 0.43 | 0.31 | 0.34 | 0.25 | 0.02 | 0.09 | 0.12 | 0.14 | 0.25 | -0.07 | -0.04 | -0.03 | -0.10 | -0.05 | 0.17 | 0.11 | 0.19 | 0.11 | 0.12 |
| C2 | -0.02 | 0.14 | 0.14 | 0.23 | 0.11 | 0.43 | 1.00 | 0.36 | 0.38 | 0.30 | -0.02 | 0.06 | 0.15 | 0.12 | 0.25 | -0.02 | -0.01 | 0.00 | -0.05 | 0.05 | 0.16 | 0.04 | 0.19 | 0.06 | 0.05 |
| C3 | 0.02 | 0.19 | 0.13 | 0.13 | 0.13 | 0.31 | 0.36 | 1.00 | 0.34 | 0.34 | 0.00 | 0.08 | 0.09 | 0.09 | 0.21 | -0.07 | -0.06 | -0.07 | -0.11 | -0.01 | 0.09 | 0.03 | 0.06 | 0.02 | 0.01 |
| C4 | 0.13 | 0.15 | 0.12 | 0.15 | 0.13 | 0.34 | 0.38 | 0.34 | 1.00 | 0.48 | 0.09 | 0.20 | 0.08 | 0.11 | 0.24 | -0.22 | -0.16 | -0.21 | -0.26 | -0.20 | 0.09 | 0.21 | 0.08 | -0.05 | 0.20 |
| C5 | 0.05 | 0.12 | 0.16 | 0.24 | 0.17 | 0.25 | 0.30 | 0.34 | 0.48 | 1.00 | 0.06 | 0.26 | 0.16 | 0.20 | 0.23 | -0.21 | -0.25 | -0.24 | -0.34 | -0.17 | 0.08 | 0.14 | 0.08 | -0.14 | 0.06 |
| E1 | 0.11 | 0.21 | 0.21 | 0.11 | 0.25 | 0.02 | -0.02 | 0.00 | 0.09 | 0.06 | 1.00 | 0.47 | 0.33 | 0.42 | 0.30 | -0.02 | -0.01 | -0.05 | -0.23 | -0.05 | 0.10 | 0.04 | 0.22 | -0.08 | 0.10 |
| E2 | 0.09 | 0.23 | 0.29 | 0.19 | 0.33 | 0.09 | 0.06 | 0.08 | 0.20 | 0.26 | 0.47 | 1.00 | 0.38 | 0.51 | 0.37 | -0.17 | -0.19 | -0.20 | -0.35 | -0.25 | 0.16 | 0.08 | 0.23 | -0.17 | 0.08 |
| E3 | 0.05 | 0.25 | 0.39 | 0.19 | 0.42 | 0.12 | 0.15 | 0.09 | 0.08 | 0.16 | 0.33 | 0.38 | 1.00 | 0.42 | 0.38 | -0.05 | -0.07 | -0.02 | -0.15 | -0.07 | 0.33 | 0.07 | 0.39 | 0.05 | 0.11 |
| E4 | 0.06 | 0.28 | 0.38 | 0.30 | 0.47 | 0.14 | 0.12 | 0.09 | 0.11 | 0.20 | 0.42 | 0.51 | 0.42 | 1.00 | 0.32 | -0.14 | -0.14 | -0.10 | -0.29 | -0.09 | 0.14 | -0.06 | 0.21 | -0.10 | -0.05 |
| E5 | 0.02 | 0.29 | 0.25 | 0.16 | 0.27 | 0.25 | 0.25 | 0.21 | 0.24 | 0.23 | 0.30 | 0.37 | 0.38 | 0.32 | 1.00 | 0.04 | 0.04 | -0.06 | -0.21 | -0.13 | 0.30 | 0.08 | 0.29 | 0.00 | 0.11 |
| N1 | -0.17 | -0.09 | -0.08 | -0.10 | -0.20 | -0.07 | -0.02 | -0.07 | -0.22 | -0.21 | -0.02 | -0.17 | -0.05 | -0.14 | 0.04 | 1.00 | 0.71 | 0.56 | 0.40 | 0.38 | -0.05 | -0.13 | -0.05 | 0.08 | -0.11 |
| N2 | -0.14 | -0.05 | -0.09 | -0.14 | -0.19 | -0.04 | -0.01 | -0.06 | -0.16 | -0.25 | -0.01 | -0.19 | -0.07 | -0.14 | 0.04 | 0.71 | 1.00 | 0.55 | 0.39 | 0.35 | -0.05 | -0.13 | -0.03 | 0.13 | -0.04 |
| N3 | -0.10 | -0.04 | -0.04 | -0.07 | -0.14 | -0.03 | 0.00 | -0.07 | -0.21 | -0.24 | -0.05 | -0.20 | -0.02 | -0.10 | -0.06 | 0.56 | 0.55 | 1.00 | 0.52 | 0.43 | -0.03 | -0.11 | -0.03 | 0.18 | -0.06 |
| N4 | -0.05 | -0.09 | -0.13 | -0.17 | -0.20 | -0.10 | -0.05 | -0.11 | -0.26 | -0.34 | -0.23 | -0.35 | -0.15 | -0.29 | -0.21 | 0.40 | 0.39 | 0.52 | 1.00 | 0.40 | -0.05 | -0.08 | -0.06 | 0.21 | -0.04 |
| N5 | -0.02 | 0.02 | -0.04 | -0.01 | -0.08 | -0.05 | 0.05 | -0.01 | -0.20 | -0.17 | -0.05 | -0.25 | -0.07 | -0.09 | -0.13 | 0.38 | 0.35 | 0.43 | 0.40 | 1.00 | -0.12 | -0.20 | -0.08 | 0.11 | -0.14 |
| O1 | -0.01 | 0.13 | 0.15 | 0.06 | 0.16 | 0.17 | 0.16 | 0.09 | 0.09 | 0.08 | 0.10 | 0.16 | 0.33 | 0.14 | 0.30 | -0.05 | -0.05 | -0.03 | -0.05 | -0.12 | 1.00 | 0.21 | 0.40 | 0.18 | 0.24 |
| O2 | 0.08 | -0.02 | 0.00 | -0.04 | 0.00 | 0.11 | 0.04 | 0.03 | 0.21 | 0.14 | 0.04 | 0.08 | 0.07 | -0.06 | 0.08 | -0.13 | -0.13 | -0.11 | -0.08 | -0.20 | 0.21 | 1.00 | 0.26 | 0.07 | 0.32 |
| O3 | 0.06 | 0.16 | 0.22 | 0.07 | 0.24 | 0.19 | 0.19 | 0.06 | 0.08 | 0.08 | 0.22 | 0.23 | 0.39 | 0.21 | 0.29 | -0.05 | -0.03 | -0.03 | -0.06 | -0.08 | 0.40 | 0.26 | 1.00 | 0.19 | 0.31 |
| O4 | 0.08 | 0.09 | 0.04 | -0.04 | 0.02 | 0.11 | 0.06 | 0.02 | -0.05 | -0.14 | -0.08 | -0.17 | 0.05 | -0.10 | 0.00 | 0.08 | 0.13 | 0.18 | 0.21 | 0.11 | 0.18 | 0.07 | 0.19 | 1.00 | 0.18 |
| O5 | 0.11 | 0.09 | 0.05 | -0.02 | 0.05 | 0.12 | 0.05 | 0.01 | 0.20 | 0.06 | 0.10 | 0.08 | 0.11 | -0.05 | 0.11 | -0.11 | -0.04 | -0.06 | -0.04 | -0.14 | 0.24 | 0.32 | 0.31 | 0.18 | 1.00 |
library(corrplot)## corrplot 0.95 loaded# Matriz de correlaciones
cor_mat <- cor(datos_bfi, use = "pairwise.complete.obs")
# Gráfico
corrplot(
cor_mat,
method = "color",
type = "upper",
tl.cex = 0.7,
tl.col = "black",
addCoef.col = "black",
number.cex = 0.5
)
Tabla 2
Índices de ajuste comparativos de los modelos CFA
summary(ajuste_un_factor, fit.measures = TRUE)## lavaan 0.6-21 ended normally after 62 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 75
##
## Number of observations 2800
## Number of missing patterns 87
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 11744.143 10085.845
## Degrees of freedom 275 275
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.164
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 20010.482 16771.160
## Degrees of freedom 300 300
## P-value 0.000 0.000
## Scaling correction factor 1.193
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.418 0.404
## Tucker-Lewis Index (TLI) 0.365 0.350
##
## Robust Comparative Fit Index (CFI) 0.418
## Robust Tucker-Lewis Index (TLI) 0.365
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -117813.318 -117813.318
## Scaling correction factor 1.116
## for the MLR correction
## Loglikelihood unrestricted model (H1) -111941.247 -111941.247
## Scaling correction factor 1.154
## for the MLR correction
##
## Akaike (AIC) 235776.637 235776.637
## Bayesian (BIC) 236221.940 236221.940
## Sample-size adjusted Bayesian (SABIC) 235983.639 235983.639
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.122 0.113
## 90 Percent confidence interval - lower 0.120 0.111
## 90 Percent confidence interval - upper 0.124 0.115
## P-value H_0: RMSEA <= 0.050 0.000 0.000
## P-value H_0: RMSEA >= 0.080 1.000 1.000
##
## Robust RMSEA 0.123
## 90 Percent confidence interval - lower 0.121
## 90 Percent confidence interval - upper 0.125
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.111 0.111
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## F =~
## A1 0.311 0.031 10.094 0.000
## A2 0.552 0.032 17.360 0.000
## A3 0.710 0.034 20.764 0.000
## A4 0.603 0.032 18.673 0.000
## A5 0.755 0.028 26.567 0.000
## C1 0.364 0.032 11.333 0.000
## C2 0.389 0.035 11.255 0.000
## C3 0.362 0.032 11.164 0.000
## C4 0.545 0.037 14.781 0.000
## C5 0.725 0.040 18.307 0.000
## E1 0.721 0.038 18.982 0.000
## E2 0.999 0.031 32.676 0.000
## E3 0.760 0.033 22.972 0.000
## E4 0.900 0.033 27.247 0.000
## E5 0.704 0.031 22.972 0.000
## N1 -0.537 0.053 -10.138 0.000
## N2 -0.517 0.051 -10.079 0.000
## N3 -0.526 0.056 -9.394 0.000
## N4 -0.743 0.045 -16.324 0.000
## N5 -0.475 0.048 -9.877 0.000
## O1 0.365 0.028 13.111 0.000
## O2 0.247 0.039 6.274 0.000
## O3 0.485 0.032 15.225 0.000
## O4 -0.071 0.031 -2.271 0.023
## O5 0.238 0.032 7.461 0.000
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|)
## .A1 4.587 0.027 171.978 0.000
## .A2 4.805 0.022 216.426 0.000
## .A3 4.605 0.025 186.733 0.000
## .A4 4.700 0.028 167.700 0.000
## .A5 4.561 0.024 191.505 0.000
## .C1 4.503 0.024 191.330 0.000
## .C2 4.371 0.025 174.836 0.000
## .C3 4.304 0.024 176.235 0.000
## .C4 4.447 0.026 170.527 0.000
## .C5 3.704 0.031 120.073 0.000
## .E1 4.025 0.031 130.169 0.000
## .E2 3.858 0.030 126.948 0.000
## .E3 4.000 0.026 156.034 0.000
## .E4 4.421 0.028 160.298 0.000
## .E5 4.417 0.025 174.607 0.000
## .N1 2.930 0.030 98.350 0.000
## .N2 3.507 0.029 121.232 0.000
## .N3 3.217 0.030 106.026 0.000
## .N4 3.185 0.030 106.878 0.000
## .N5 2.969 0.031 96.631 0.000
## .O1 4.816 0.021 224.887 0.000
## .O2 4.287 0.030 144.954 0.000
## .O3 4.438 0.023 191.522 0.000
## .O4 4.892 0.023 211.495 0.000
## .O5 4.511 0.025 179.165 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .A1 1.885 0.051 36.964 0.000
## .A2 1.069 0.045 23.670 0.000
## .A3 1.189 0.051 23.145 0.000
## .A4 1.825 0.057 31.941 0.000
## .A5 1.012 0.044 23.252 0.000
## .C1 1.408 0.045 31.152 0.000
## .C2 1.585 0.045 34.956 0.000
## .C3 1.528 0.043 35.154 0.000
## .C4 1.593 0.048 33.088 0.000
## .C5 2.126 0.060 35.627 0.000
## .E1 2.140 0.057 37.230 0.000
## .E2 1.577 0.055 28.648 0.000
## .E3 1.251 0.047 26.635 0.000
## .E4 1.314 0.052 25.184 0.000
## .E5 1.287 0.044 29.166 0.000
## .N1 2.178 0.064 34.129 0.000
## .N2 2.060 0.060 34.602 0.000
## .N3 2.292 0.065 35.266 0.000
## .N4 1.909 0.067 28.388 0.000
## .N5 2.393 0.059 40.465 0.000
## .O1 1.142 0.035 33.101 0.000
## .O2 2.388 0.051 46.577 0.000
## .O3 1.254 0.040 31.644 0.000
## .O4 1.486 0.049 30.049 0.000
## .O5 1.706 0.045 37.650 0.000
## F 1.000summary(ajuste_cfa, fit.measures = TRUE)## lavaan 0.6-21 ended normally after 68 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 85
##
## Number of observations 2800
## Number of missing patterns 87
##
## Model Test User Model:
## Standard Scaled
## Test Statistic 4674.263 4047.735
## Degrees of freedom 265 265
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 1.155
## Yuan-Bentler correction (Mplus variant)
##
## Model Test Baseline Model:
##
## Test statistic 20010.482 16771.160
## Degrees of freedom 300 300
## P-value 0.000 0.000
## Scaling correction factor 1.193
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.776 0.770
## Tucker-Lewis Index (TLI) 0.747 0.740
##
## Robust Comparative Fit Index (CFI) 0.777
## Robust Tucker-Lewis Index (TLI) 0.748
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -114278.379 -114278.379
## Scaling correction factor 1.151
## for the MLR correction
## Loglikelihood unrestricted model (H1) -111941.247 -111941.247
## Scaling correction factor 1.154
## for the MLR correction
##
## Akaike (AIC) 228726.757 228726.757
## Bayesian (BIC) 229231.434 229231.434
## Sample-size adjusted Bayesian (SABIC) 228961.360 228961.360
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.077 0.071
## 90 Percent confidence interval - lower 0.075 0.070
## 90 Percent confidence interval - upper 0.079 0.073
## P-value H_0: RMSEA <= 0.050 0.000 0.000
## P-value H_0: RMSEA >= 0.080 0.007 0.000
##
## Robust RMSEA 0.077
## 90 Percent confidence interval - lower 0.075
## 90 Percent confidence interval - upper 0.079
## P-value H_0: Robust RMSEA <= 0.050 0.000
## P-value H_0: Robust RMSEA >= 0.080 0.016
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.072 0.072
##
## Parameter Estimates:
##
## Standard errors Sandwich
## Information bread Observed
## Observed information based on Hessian
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## A =~
## A1 0.470 0.033 14.367 0.000
## A2 0.744 0.027 27.977 0.000
## A3 0.960 0.027 35.776 0.000
## A4 0.716 0.032 22.619 0.000
## A5 0.860 0.026 32.993 0.000
## C =~
## C1 0.659 0.032 20.322 0.000
## C2 0.767 0.034 22.698 0.000
## C3 0.688 0.029 24.082 0.000
## C4 0.941 0.029 32.000 0.000
## C5 1.006 0.035 28.682 0.000
## E =~
## E1 0.921 0.033 28.171 0.000
## E2 1.104 0.029 37.423 0.000
## E3 0.854 0.028 30.206 0.000
## E4 1.012 0.029 35.351 0.000
## E5 0.734 0.030 24.859 0.000
## N =~
## N1 1.274 0.026 49.511 0.000
## N2 1.217 0.025 48.577 0.000
## N3 1.156 0.027 42.688 0.000
## N4 0.896 0.034 26.469 0.000
## N5 0.819 0.033 24.534 0.000
## O =~
## O1 0.636 0.027 23.469 0.000
## O2 0.611 0.044 13.951 0.000
## O3 0.886 0.034 26.192 0.000
## O4 0.294 0.033 8.955 0.000
## O5 0.606 0.036 16.873 0.000
##
## Covariances:
## Estimate Std.Err z-value P(>|z|)
## A ~~
## C 0.341 0.028 12.308 0.000
## E 0.684 0.021 32.817 0.000
## N -0.220 0.026 -8.555 0.000
## O 0.315 0.031 10.261 0.000
## C ~~
## E 0.351 0.028 12.756 0.000
## N -0.289 0.028 -10.151 0.000
## O 0.300 0.030 10.029 0.000
## E ~~
## N -0.234 0.026 -8.915 0.000
## O 0.451 0.032 13.876 0.000
## N ~~
## O -0.118 0.029 -4.149 0.000
##
## Intercepts:
## Estimate Std.Err z-value P(>|z|)
## .A1 4.587 0.027 172.019 0.000
## .A2 4.805 0.022 216.449 0.000
## .A3 4.606 0.025 186.932 0.000
## .A4 4.700 0.028 167.727 0.000
## .A5 4.561 0.024 191.582 0.000
## .C1 4.503 0.024 191.500 0.000
## .C2 4.371 0.025 175.010 0.000
## .C3 4.303 0.024 176.233 0.000
## .C4 4.448 0.026 170.784 0.000
## .C5 3.703 0.031 120.117 0.000
## .E1 4.025 0.031 130.223 0.000
## .E2 3.857 0.030 126.938 0.000
## .E3 4.001 0.026 156.143 0.000
## .E4 4.421 0.028 160.305 0.000
## .E5 4.417 0.025 174.631 0.000
## .N1 2.932 0.030 98.568 0.000
## .N2 3.508 0.029 121.472 0.000
## .N3 3.217 0.030 106.140 0.000
## .N4 3.185 0.030 106.903 0.000
## .N5 2.969 0.031 96.676 0.000
## .O1 4.816 0.021 224.958 0.000
## .O2 4.287 0.030 144.954 0.000
## .O3 4.436 0.023 191.469 0.000
## .O4 4.892 0.023 211.524 0.000
## .O5 4.510 0.025 179.166 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .A1 1.760 0.054 32.399 0.000
## .A2 0.819 0.040 20.483 0.000
## .A3 0.771 0.043 17.790 0.000
## .A4 1.675 0.057 29.433 0.000
## .A5 0.843 0.044 19.330 0.000
## .C1 1.105 0.051 21.583 0.000
## .C2 1.148 0.049 23.239 0.000
## .C3 1.186 0.042 28.147 0.000
## .C4 1.003 0.053 18.990 0.000
## .C5 1.638 0.066 24.750 0.000
## .E1 1.811 0.058 31.495 0.000
## .E2 1.358 0.057 23.800 0.000
## .E3 1.099 0.043 25.309 0.000
## .E4 1.099 0.048 23.079 0.000
## .E5 1.244 0.044 28.312 0.000
## .N1 0.843 0.049 17.041 0.000
## .N2 0.846 0.047 18.040 0.000
## .N3 1.231 0.051 24.156 0.000
## .N4 1.660 0.057 29.196 0.000
## .N5 1.949 0.057 34.452 0.000
## .O1 0.870 0.036 24.496 0.000
## .O2 2.076 0.066 31.435 0.000
## .O3 0.705 0.052 13.562 0.000
## .O4 1.405 0.051 27.280 0.000
## .O5 1.396 0.056 25.100 0.000
## A 1.000
## C 1.000
## E 1.000
## N 1.000
## O 1.000| Índice | Modelo unidimensional | Modelo cinco factores |
|---|---|---|
| χ² | 11744.14 | 4674.26 |
| df | 275 | 265 |
| CFI | 0.418 | 0.776 |
| TLI | 0.365 | 0.747 |
| RMSEA | 0.122 | 0.077 |
| SRMR | 0.111 | 0.072 |
| AIC | 235776.64 | 228726.76 |
| BIC | 236221.94 | 229231.43 |
El modelo de cinco factores mejora sustancialmente el ajuste en todos los indicadores respecto al modelo unidimensional, mostrando una mejor representación de la estructura de los datos y proporcionando evidencia empírica a favor de la naturaleza multidimensional del constructo.
Tabla 3
Cargas factoriales estandarizadas con errores estándar
# Extraer parámetros del modelo CFA
param <- parameterEstimates(ajuste_cfa, standardized = TRUE)
# Filtrar solo cargas factoriales
tabla_cargas <- subset(param, op == "=~")
# Seleccionar columnas relevantes
tabla_cargas <- tabla_cargas[, c("lhs", "rhs", "std.all", "se")]
# Renombrar columnas
colnames(tabla_cargas) <- c("Factor", "Item", "Lambda", "SE")
# Ordenar por factor (opcional pero recomendable)
tabla_cargas <- tabla_cargas[order(tabla_cargas$Factor), ]
# Ver tabla
tabla_cargas## Factor Item Lambda SE
## 1 A A1 0.334 0.033
## 2 A A2 0.635 0.027
## 3 A A3 0.738 0.027
## 4 A A4 0.484 0.032
## 5 A A5 0.683 0.026
## 6 C C1 0.531 0.032
## 7 C C2 0.582 0.034
## 8 C C3 0.534 0.029
## 9 C C4 0.685 0.029
## 10 C C5 0.618 0.035
## 11 E E1 0.565 0.033
## 12 E E2 0.688 0.029
## 13 E E3 0.631 0.028
## 14 E E4 0.694 0.029
## 15 E E5 0.549 0.030
## 16 N N1 0.811 0.026
## 17 N N2 0.798 0.025
## 18 N N3 0.721 0.027
## 19 N N4 0.571 0.034
## 20 N N5 0.506 0.033
## 21 O O1 0.564 0.027
## 22 O O2 0.390 0.044
## 23 O O3 0.726 0.034
## 24 O O4 0.240 0.033
## 25 O O5 0.457 0.036Tabla 4
Parámetros estructurales y efectos de mediación (bootstrap)
# Extraer parámetros con bootstrap
param <- parameterEstimates(
ajuste_sem,
standardized = TRUE,
boot.ci.type = "perc"
)
# Filtrar solo lo relevante
tabla4 <- subset(param,
label %in% c("a", "b", "c", "indirecto", "total"))
# Seleccionar columnas clave
tabla4 <- tabla4[, c("label", "est", "se", "ci.lower", "ci.upper", "std.all")]
# Renombrar
colnames(tabla4) <- c("Efecto", "Estimacion", "SE", "IC_inf", "IC_sup", "Beta")
# Ver tabla
tabla4## Efecto Estimacion SE IC_inf IC_sup Beta
## 26 a -0.156 0.015 -0.185 -0.126 -0.303
## 27 b 0.423 0.048 0.335 0.522 0.294
## 28 c -0.144 0.026 -0.196 -0.094 -0.194
## 62 indirecto -0.066 0.010 -0.087 -0.048 -0.089
## 63 total -0.210 0.024 -0.262 -0.163 -0.283Figura 1
Diagrama path del modelo CFA final (con
semPlot)
semPaths(
ajuste_cfa,
what = "std",
whatLabels = "std",
layout = "tree",
style = "lisrel",
edge.label.cex = 0.9,
sizeMan = 6,
sizeLat = 8,
residuals = FALSE,
intercepts = FALSE,
nCharNodes = 0,
mar = c(5,5,5,5)
)
semPaths(
ajuste_cfa,
what = "std",
whatLabels = "std",
layout = "spring",
edge.label.cex = 1.1,
sizeMan = 6,
sizeLat = 9,
label.cex = 1.1,
residuals = FALSE,
intercepts = FALSE
)
Figura 2
Diagrama path del modelo SEM final
semPaths(
ajuste_sem,
what = "std",
whatLabels = "std",
layout = "tree2",
style = "lisrel",
# tamaños
edge.label.cex = 1.1,
sizeMan = 6,
sizeLat = 9,
label.cex = 1.2,
# limpieza
residuals = FALSE,
intercepts = FALSE,
# estética
mar = c(6,6,6,6),
nCharNodes = 0
)
semPaths(
ajuste_sem,
what = "std",
whatLabels = "std",
layout = "tree",
structural = TRUE, # SOLO relaciones entre factores
residuals = FALSE,
intercepts = FALSE,
edge.label.cex = 1.2,
sizeLat = 10,
label.cex = 1.3
)
CONCLUSIÓN
El presente trabajo se enmarca en el modelo de los Cinco Grandes factores de personalidad (Big Five), con el objetivo de analizar la relación entre Neuroticismo y Extraversión, así como el papel mediador de la Responsabilidad mediante modelos de ecuaciones estructurales (SEM).
En primer lugar, los resultados del análisis factorial confirmatorio evidenciaron que la estructura de cinco factores propuesta por el modelo Big Five presenta un ajuste sustancialmente mejor que una solución unifactorial, lo que respalda la validez estructural del modelo teórico de personalidad. No obstante, los índices de ajuste sugieren que, aunque el modelo es adecuado, aún existe margen de mejora en la representación de las relaciones entre los indicadores.
En cuanto al modelo estructural, se observó que el Neuroticismo predice negativamente la Responsabilidad, mientras que esta última se asocia positivamente con la Extraversión. Asimismo, el Neuroticismo presenta un efecto directo negativo sobre la Extraversión. El análisis de mediación mediante bootstrapping confirmó la existencia de un efecto indirecto significativo, lo que indica que parte de la influencia de Neuroticismo sobre Extraversión se canaliza a través de la Responsabilidad.
La comparación entre modelos alternativos mostró que el modelo de mediación parcial ofrece un mejor ajuste que el modelo de mediación completa, lo que sugiere que la relación entre estos rasgos de personalidad no se explica exclusivamente a través del mecanismo mediador, sino que también existe un efecto directo independiente.
En conjunto, estos resultados aportan evidencia empírica coherente con el marco del Big Five y permiten profundizar en la comprensión de las interrelaciones entre rasgos de personalidad. No obstante, el ajuste global del modelo sugiere la conveniencia de explorar especificaciones alternativas en futuras investigaciones, así como la posible inclusión de variables adicionales que mejoren la capacidad explicativa del modelo.
Finalmente, este trabajo pone de manifiesto la utilidad de los modelos de ecuaciones estructurales para analizar relaciones complejas entre dimensiones de personalidad, así como la importancia de integrar teoría y evidencia empírica en la evaluación de hipótesis psicológicas.