Entrepreneur_01
JOM
4/7/2016
Introducción
Lo primero se procede a la carga de paquetes que puedan ser necesarios: * foreign para poder leer los ficheros de SPSS * lavaan para construir modelos SEM
## Warning: replacing previous import 'lme4::sigma' by 'stats::sigma' when
## loading 'pbkrtest'Carga de datos
Se procede a leer los resultados de las encuestas a un data frame llamado ddd y cuyo resumen se muestra a continuación, previa eliminación de los registros que contengan datos NA:
setwd('/home/jb/git/Entrepreneur/')
# ddd = read.spss(file="Emprendimiento2016.sav",to.data.frame=TRUE)
# save(ddd,file="Emprendimiento2016.RData")
load(file="Emprendimiento2016.RData")
# summary(ddd)
jdx=apply(is.na(ddd),1,sum) == 0
ddna=ddd[jdx,]
colnames(ddna)= iconv(colnames(ddna),'utf-8','ascii',sub='')
summary(ddna)## CODIGO UNI PAIS EDAD
## Min. : 11002 UPM :412 España :412 Min. :19.00
## 1st Qu.: 21059 MILAN :245 Italia :727 1st Qu.:22.00
## Median : 41075 TUB :213 México :200 Median :23.00
## Mean : 42867 PARMA :202 Suecia :221 Mean :23.61
## 3rd Qu.: 63016 MEXICO :200 Alemania:213 3rd Qu.:25.00
## Max. :150452 POLIBA :140 Max. :52.00
## (Other):361
## GENERO CARRERA CURSO PASNAC
## Hombre:1173 Organización :456 último:1773 Min. :1.000
## Mujer : 600 Industriales :587 1st Qu.:2.000
## QuÃmica :330 Median :2.000
## Ing. Civil :400 Mean :2.617
## Ing. Informática: 0 3rd Qu.:3.000
## Max. :6.000
##
## PASNACPADRE PASNACMADRE CLASESOCIAL ClaseSocial2
## Min. :1.000 Min. :1.000 Baja : 61 Baja-MedioBaja:797
## 1st Qu.:2.000 1st Qu.:2.000 Media-Baja:736 Alta-MedioAlta:976
## Median :2.000 Median :2.000 Media-Alta:929
## Mean :2.605 Mean :2.608 Alta : 47
## 3rd Qu.:3.000 3rd Qu.:3.000
## Max. :6.000 Max. :6.000
##
## ESTPADRE ESTMADRE OCUPACIONPADRE
## Sin estudios:139 Sin estudios:154 Funcionario:405
## Secundaria :480 Secundaria :547 Empleado :633
## FP :395 FP :400 Empresario :453
## Universidad :759 Universidad :672 Desempleado: 63
## Otro :219
##
##
## OCUPACIONMADRE ENTORNONEG V2.1Individualismo V2.2Feminidad
## Funcionario:438 Min. :0.000 Min. :1.000 Muy Masculino:121
## Empleado :537 1st Qu.:0.000 1st Qu.:3.000 Masculino :225
## Empresario :210 Median :1.000 Median :4.000 Medio :520
## Desempleado:298 Mean :0.727 Mean :3.813 Femenino :627
## Otro :290 3rd Qu.:1.000 3rd Qu.:5.000 Muy femenino :280
## Max. :2.000 Max. :6.000
##
## V2.2MasculinidadINV V2.3NoAversin V2.3.AversinINV
## Muy femenino :280 Alta aversión:331 Baja aversión: 97
## Femenino :627 Aversión :542 Poca aversión:301
## Medio :520 Medio :502 Medio :502
## Masculino :225 Poca aversión:301 Aversión :542
## Muy Masculino:121 Baja aversión: 97 Alta aversión:331
##
##
## V2.4Colectivismo V2.4IndividualismoINV
## Muy Individualista: 83 Muy Colectivista :270
## Individualista :197 Colectivista :693
## Medio :530 Medio :530
## Colectivista :693 Individualista :197
## Muy Colectivista :270 Muy Individualista: 83
##
##
## V2.5Aversin V2.6Masculinidad V2.7Aversin
## Baja aversión:110 Muy femenino : 29 Baja aversión: 27
## Poca aversión:301 Femenino : 98 Poca aversión:120
## Medio :473 Medio :389 Medio :413
## Aversión :493 Masculino :726 Aversión :741
## Alta aversión:396 Muy Masculino:531 Alta aversión:472
##
##
## V2.8Individualismo V2.9Innovacin V2.10IT
## Muy Colectivista : 29 Min. :1.000 Min. :1.000
## Colectivista :127 1st Qu.:2.000 1st Qu.:1.000
## Medio :386 Median :3.000 Median :2.000
## Individualista :635 Mean :3.092 Mean :2.389
## Muy Individualista:596 3rd Qu.:4.000 3rd Qu.:3.000
## Max. :5.000 Max. :5.000
##
## V3.1ACTFuturoAtractivo V3.2ACTOpciones MediaACT V3.3CONTFcil
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:4.000 1st Qu.:3.000 1st Qu.:3.500 1st Qu.:3.000
## Median :5.000 Median :4.000 Median :4.500 Median :4.000
## Mean :4.917 Mean :4.245 Mean :4.581 Mean :3.669
## 3rd Qu.:6.000 3rd Qu.:5.000 3rd Qu.:6.000 3rd Qu.:5.000
## Max. :7.000 Max. :7.000 Max. :7.000 Max. :7.000
##
## V3.4CONTPuedo MediaCONT V3.5IEListo V3.6IEMeta
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:3.000 1st Qu.:2.500 1st Qu.:2.000 1st Qu.:2.000
## Median :4.000 Median :3.500 Median :3.000 Median :4.000
## Mean :3.812 Mean :3.741 Mean :3.467 Mean :3.699
## 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :7.000 Max. :7.000 Max. :7.000 Max. :7.000
##
## V3.7IEHarTodo V3.8IEConvencido V3.9IEPensarSerio V3.10IEFirmeIntencin
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :3.000 Median :3.000 Median :3.000 Median :3.000
## Mean :3.671 Mean :3.635 Mean :3.676 Mean :3.633
## 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000 3rd Qu.:5.000
## Max. :7.000 Max. :7.000 Max. :7.000 Max. :7.000
##
## MediaIE V3.11NSFamilia V3.12NSAmigos V3.12NSCompaeros
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.167 1st Qu.:4.000 1st Qu.:4.000 1st Qu.:4.000
## Median :3.333 Median :6.000 Median :6.000 Median :5.000
## Mean :3.630 Mean :5.506 Mean :5.415 Mean :5.124
## 3rd Qu.:5.000 3rd Qu.:7.000 3rd Qu.:7.000 3rd Qu.:6.000
## Max. :7.000 Max. :7.000 Max. :7.000 Max. :7.000
##
## V3.14NSSociedad MediaNS V4.1FINPROP V4.2ADM
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:4.000 1st Qu.:4.250 1st Qu.:2.000 1st Qu.:1.000
## Median :5.000 Median :5.250 Median :2.000 Median :2.000
## Mean :4.818 Mean :5.216 Mean :2.399 Mean :2.223
## 3rd Qu.:6.000 3rd Qu.:6.250 3rd Qu.:3.000 3rd Qu.:3.000
## Max. :7.000 Max. :7.000 Max. :5.000 Max. :5.000
##
## V4.3JUV V4.4CREDIT V4.5FINPUB V4.6JUV
## Min. :1.0 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.0 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :3.0 Median :2.000 Median :2.000 Median :3.000
## Mean :2.9 Mean :2.403 Mean :2.342 Mean :3.094
## 3rd Qu.:4.0 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:4.000
## Max. :5.0 Max. :5.000 Max. :5.000 Max. :5.000
##
## V4.7ADM V4.8FINPROP V4.9ADM V4.10JUV
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:1.000 1st Qu.:2.000
## Median :2.000 Median :2.000 Median :2.000 Median :2.000
## Mean :2.346 Mean :2.404 Mean :2.136 Mean :2.508
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.:3.000
## Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.000
##
## V4.11ADM V4.12EDU V4.13JUV V4.14ADM
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :2.000 Median :3.000 Median :3.000 Median :2.000
## Mean :2.043 Mean :2.755 Mean :2.633 Mean :2.459
## 3rd Qu.:3.000 3rd Qu.:4.000 3rd Qu.:3.000 3rd Qu.:3.000
## Max. :5.000 Max. :5.000 Max. :5.000 Max. :5.000
## ddf = ddna
for (i in (1:length(colnames(ddf)))[-c(1,4)]) {
ddf[,i]=as.ordered(ddf[,i])
}Análisis Factorial Confirmatorio. Modelo de Ajzen
Se procede a crear en modelo de Ajzen y a un análisis confirmatorio de datos. Partimos de las variables como factores
Datos con rango numérico
#
AJZEN.model = ' AtB =~ V3.1ACTFuturoAtractivo + V3.2ACTOpciones
SN =~ V3.11NSFamilia + V3.12NSAmigos + V3.12NSCompaeros + V3.14NSSociedad
PBC =~ V3.3CONTFcil + V3.4CONTPuedo '
fitn = lavaan::cfa(AJZEN.model, data =ddna)
summary(fitn,fit.measures=TRUE)## lavaan (0.5-20) converged normally after 44 iterations
##
## Number of observations 1773
##
## Estimator ML
## Minimum Function Test Statistic 407.123
## Degrees of freedom 17
## P-value (Chi-square) 0.000
##
## Model test baseline model:
##
## Minimum Function Test Statistic 7856.530
## Degrees of freedom 28
## P-value 0.000
##
## User model versus baseline model:
##
## Comparative Fit Index (CFI) 0.950
## Tucker-Lewis Index (TLI) 0.918
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -22955.627
## Loglikelihood unrestricted model (H1) -22752.065
##
## Number of free parameters 19
## Akaike (AIC) 45949.253
## Bayesian (BIC) 46053.381
## Sample-size adjusted Bayesian (BIC) 45993.020
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.114
## 90 Percent Confidence Interval 0.104 0.123
## P-value RMSEA <= 0.05 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.053
##
## Parameter Estimates:
##
## Information Expected
## Standard Errors Standard
##
## Latent Variables:
## Estimate Std.Err Z-value P(>|z|)
## AtB =~
## V3.1ACTFtrAtrc 1.000
## V3.2ACTOpcions 1.126 0.030 36.986 0.000
## SN =~
## V3.11NSFamilia 1.000
## V3.12NSAmigos 1.232 0.037 33.598 0.000
## V3.12NSCompars 1.199 0.037 32.502 0.000
## V3.14NSSociedd 1.018 0.039 26.227 0.000
## PBC =~
## V3.3CONTFcil 1.000
## V3.4CONTPuedo 0.913 0.032 28.546 0.000
##
## Covariances:
## Estimate Std.Err Z-value P(>|z|)
## AtB ~~
## SN 0.515 0.045 11.516 0.000
## PBC 1.236 0.066 18.714 0.000
## SN ~~
## PBC 0.464 0.045 10.357 0.000
##
## Variances:
## Estimate Std.Err Z-value P(>|z|)
## V3.1ACTFtrAtrc 0.677 0.048 14.059 0.000
## V3.2ACTOpcions 0.326 0.055 5.937 0.000
## V3.11NSFamilia 1.226 0.047 26.280 0.000
## V3.12NSAmigos 0.418 0.030 13.742 0.000
## V3.12NSCompars 0.678 0.035 19.480 0.000
## V3.14NSSociedd 1.518 0.056 26.881 0.000
## V3.3CONTFcil 0.484 0.059 8.162 0.000
## V3.4CONTPuedo 0.948 0.057 16.562 0.000
## AtB 1.928 0.095 20.395 0.000
## SN 1.193 0.073 16.257 0.000
## PBC 1.963 0.099 19.896 0.000semPaths(fitn)
Datos con rango categórico endógeno
#
ddfr = ddf[c("UNI","V3.1ACTFuturoAtractivo","V3.2ACTOpciones",
"V3.11NSFamilia","V3.12NSAmigos","V3.12NSCompaeros",
"V3.14NSSociedad","V3.3CONTFcil","V3.4CONTPuedo")]
fitc = lavaan::cfa(AJZEN.model, data =ddfr)
summary(fitc,fit.measures=TRUE)## lavaan (0.5-20) converged normally after 26 iterations
##
## Number of observations 1773
##
## Estimator DWLS Robust
## Minimum Function Test Statistic 361.422 636.168
## Degrees of freedom 17 17
## P-value (Chi-square) 0.000 0.000
## Scaling correction factor 0.573
## Shift parameter 5.492
## for simple second-order correction (Mplus variant)
##
## Model test baseline model:
##
## Minimum Function Test Statistic 56768.670 28237.892
## Degrees of freedom 28 28
## P-value 0.000 0.000
##
## User model versus baseline model:
##
## Comparative Fit Index (CFI) 0.994 0.978
## Tucker-Lewis Index (TLI) 0.990 0.964
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.107 0.143
## 90 Percent Confidence Interval 0.097 0.117 0.134 0.153
## P-value RMSEA <= 0.05 0.000 0.000
##
## Weighted Root Mean Square Residual:
##
## WRMR 2.181 2.181
##
## Parameter Estimates:
##
## Information Expected
## Standard Errors Robust.sem
##
## Latent Variables:
## Estimate Std.Err Z-value P(>|z|)
## AtB =~
## V3.1ACTFtrAtrc 1.000
## V3.2ACTOpcions 1.033 0.019 54.991 0.000
## SN =~
## V3.11NSFamilia 1.000
## V3.12NSAmigos 1.170 0.015 77.383 0.000
## V3.12NSCompars 1.134 0.013 84.656 0.000
## V3.14NSSociedd 0.927 0.016 56.941 0.000
## PBC =~
## V3.3CONTFcil 1.000
## V3.4CONTPuedo 0.911 0.023 40.393 0.000
##
## Covariances:
## Estimate Std.Err Z-value P(>|z|)
## AtB ~~
## SN 0.276 0.016 17.449 0.000
## PBC 0.528 0.016 33.262 0.000
## SN ~~
## PBC 0.239 0.017 14.387 0.000
##
## Intercepts:
## Estimate Std.Err Z-value P(>|z|)
## V3.1ACTFtrAtrc 0.000
## V3.2ACTOpcions 0.000
## V3.11NSFamilia 0.000
## V3.12NSAmigos 0.000
## V3.12NSCompars 0.000
## V3.14NSSociedd 0.000
## V3.3CONTFcil 0.000
## V3.4CONTPuedo 0.000
## AtB 0.000
## SN 0.000
## PBC 0.000
##
## Thresholds:
## Estimate Std.Err Z-value P(>|z|)
## V3.1ACTFtrAt|1 -1.866 0.059 -31.694 0.000
## V3.1ACTFtrAt|2 -1.312 0.041 -31.813 0.000
## V3.1ACTFtrAt|3 -0.876 0.034 -25.514 0.000
## V3.1ACTFtrAt|4 -0.344 0.030 -11.302 0.000
## V3.1ACTFtrAt|5 0.236 0.030 7.852 0.000
## V3.1ACTFtrAt|6 0.869 0.034 25.385 0.000
## V3.2ACTOpcns|1 -1.611 0.049 -32.816 0.000
## V3.2ACTOpcns|2 -0.931 0.035 -26.618 0.000
## V3.2ACTOpcns|3 -0.426 0.031 -13.844 0.000
## V3.2ACTOpcns|4 0.091 0.030 3.062 0.002
## V3.2ACTOpcns|5 0.686 0.032 21.121 0.000
## V3.2ACTOpcns|6 1.283 0.041 31.567 0.000
## V3.11NSFaml|t1 -2.136 0.074 -28.910 0.000
## V3.11NSFaml|t2 -1.654 0.051 -32.747 0.000
## V3.11NSFaml|t3 -1.141 0.038 -30.022 0.000
## V3.11NSFaml|t4 -0.664 0.032 -20.574 0.000
## V3.11NSFaml|t5 -0.219 0.030 -7.283 0.000
## V3.11NSFaml|t6 0.345 0.030 11.350 0.000
## V3.12NSAmgs|t1 -2.096 0.071 -29.404 0.000
## V3.12NSAmgs|t2 -1.677 0.051 -32.690 0.000
## V3.12NSAmgs|t3 -1.197 0.039 -30.707 0.000
## V3.12NSAmgs|t4 -0.671 0.032 -20.757 0.000
## V3.12NSAmgs|t5 -0.121 0.030 -4.059 0.000
## V3.12NSAmgs|t6 0.529 0.031 16.884 0.000
## V3.12NSCmprs|1 -1.973 0.064 -30.760 0.000
## V3.12NSCmprs|2 -1.557 0.047 -32.830 0.000
## V3.12NSCmprs|3 -1.024 0.036 -28.290 0.000
## V3.12NSCmprs|4 -0.440 0.031 -14.267 0.000
## V3.12NSCmprs|5 0.100 0.030 3.347 0.001
## V3.12NSCmprs|6 0.737 0.033 22.387 0.000
## V3.14NSScdd|t1 -1.725 0.053 -32.524 0.000
## V3.14NSScdd|t2 -1.305 0.041 -31.760 0.000
## V3.14NSScdd|t3 -0.855 0.034 -25.083 0.000
## V3.14NSScdd|t4 -0.170 0.030 -5.672 0.000
## V3.14NSScdd|t5 0.299 0.030 9.886 0.000
## V3.14NSScdd|t6 0.833 0.034 24.604 0.000
## V3.3CONTFcl|t1 -1.393 0.043 -32.350 0.000
## V3.3CONTFcl|t2 -0.675 0.032 -20.848 0.000
## V3.3CONTFcl|t3 -0.049 0.030 -1.638 0.101
## V3.3CONTFcl|t4 0.505 0.031 16.185 0.000
## V3.3CONTFcl|t5 1.125 0.038 29.807 0.000
## V3.3CONTFcl|t6 1.706 0.052 32.595 0.000
## V3.4CONTPud|t1 -1.420 0.044 -32.483 0.000
## V3.4CONTPud|t2 -0.735 0.033 -22.342 0.000
## V3.4CONTPud|t3 -0.133 0.030 -4.439 0.000
## V3.4CONTPud|t4 0.377 0.031 12.339 0.000
## V3.4CONTPud|t5 0.955 0.035 27.075 0.000
## V3.4CONTPud|t6 1.688 0.052 32.655 0.000
##
## Variances:
## Estimate Std.Err Z-value P(>|z|)
## V3.1ACTFtrAtrc 0.181
## V3.2ACTOpcions 0.126
## V3.11NSFamilia 0.388
## V3.12NSAmigos 0.162
## V3.12NSCompars 0.213
## V3.14NSSociedd 0.474
## V3.3CONTFcil 0.185
## V3.4CONTPuedo 0.323
## AtB 0.819 0.017 48.280 0.000
## SN 0.612 0.016 38.860 0.000
## PBC 0.815 0.021 38.535 0.000
##
## Scales y*:
## Estimate Std.Err Z-value P(>|z|)
## V3.1ACTFtrAtrc 1.000
## V3.2ACTOpcions 1.000
## V3.11NSFamilia 1.000
## V3.12NSAmigos 1.000
## V3.12NSCompars 1.000
## V3.14NSSociedd 1.000
## V3.3CONTFcil 1.000
## V3.4CONTPuedo 1.000semPaths(fitc)
Análisis Factorial Confirmatorio. Modelo de Ajzen por Universidades
Ahora procedemos a hacer un CFA separando el estudio por Universidades
Con datos numéricos
# fit2 = lavaan::cfa(AJZEN.model, data =ddna, group="UNI")
# summary(fit2,fit.measures=TRUE)
# semPaths(fit2)Modelado del caso de Ajzen con Ecuaciones Estructurales
Se va a constuir ahora un modelo de interdependencia con hipótesis de regresión sobre EI
#
mcv = round(cov(ddna[,c("V3.1ACTFuturoAtractivo","V3.2ACTOpciones","V3.11NSFamilia",
"V3.12NSAmigos","V3.12NSCompaeros","V3.14NSSociedad",
"V3.3CONTFcil","V3.4CONTPuedo","V3.5IEListo","V3.6IEMeta",
"V3.7IEHarTodo","V3.8IEConvencido","V3.9IEPensarSerio")]),1)
EI.AJZEN.model = '
# Variables Latentes
AtB =~ V3.1ACTFuturoAtractivo + V3.2ACTOpciones
SN =~ V3.11NSFamilia + V3.12NSAmigos + V3.12NSCompaeros + V3.14NSSociedad
PBC =~ V3.3CONTFcil + V3.4CONTPuedo
EI =~ V3.5IEListo + V3.6IEMeta + V3.7IEHarTodo + V3.8IEConvencido + V3.9IEPensarSerio + V3.10IEFirmeIntencin
# Regresión
EI ~ AtB + SN + PBC
PBC ~ SN
# Correlación de Residuos
AtB ~~ SN
EI ~~ AtB + SN
V3.1ACTFuturoAtractivo ~~ V3.2ACTOpciones
V3.11NSFamilia ~~ V3.12NSAmigos
V3.12NSCompaeros ~~ V3.14NSSociedad
V3.3CONTFcil ~~ V3.4CONTPuedo
V3.5IEListo ~~ V3.6IEMeta
V3.10IEFirmeIntencin ~~ V3.9IEPensarSerio
V3.8IEConvencido ~~ V3.9IEPensarSerio
'
fitm0 = lavaan::sem(EI.AJZEN.model, data =ddna)
summary(fitm0,fit.measures=TRUE)## lavaan (0.5-20) converged normally after 48 iterations
##
## Number of observations 1773
##
## Estimator ML
## Minimum Function Test Statistic 1198.716
## Degrees of freedom 63
## P-value (Chi-square) 0.000
##
## Model test baseline model:
##
## Minimum Function Test Statistic 21712.625
## Degrees of freedom 91
## P-value 0.000
##
## User model versus baseline model:
##
## Comparative Fit Index (CFI) 0.947
## Tucker-Lewis Index (TLI) 0.924
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -38145.595
## Loglikelihood unrestricted model (H1) -37546.237
##
## Number of free parameters 42
## Akaike (AIC) 76375.190
## Bayesian (BIC) 76605.368
## Sample-size adjusted Bayesian (BIC) 76471.937
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.101
## 90 Percent Confidence Interval 0.096 0.106
## P-value RMSEA <= 0.05 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.138
##
## Parameter Estimates:
##
## Information Expected
## Standard Errors Standard
##
## Latent Variables:
## Estimate Std.Err Z-value P(>|z|)
## AtB =~
## V3.1ACTFtrAtrc 1.000
## V3.2ACTOpcions 1.138 NA
## SN =~
## V3.11NSFamilia 1.000
## V3.12NSAmigos 1.274 NA
## V3.12NSCompars 1.149 NA
## V3.14NSSociedd 0.916 NA
## PBC =~
## V3.3CONTFcil 1.000
## V3.4CONTPuedo 1.075 NA
## EI =~
## V3.5IEListo 1.000
## V3.6IEMeta 1.175 NA
## V3.7IEHarTodo 1.196 NA
## V3.8IEConvencd 1.219 NA
## V3.9IEPensarSr 1.196 NA
## V3.10IEFrmIntn 1.237 NA
##
## Regressions:
## Estimate Std.Err Z-value P(>|z|)
## EI ~
## AtB 0.180 NA
## SN 0.089 NA
## PBC 0.668 NA
## PBC ~
## SN 0.394 NA
##
## Covariances:
## Estimate Std.Err Z-value P(>|z|)
## AtB ~~
## SN 0.531 NA
## EI 0.830 NA
## SN ~~
## EI -0.090 NA
## V3.1ACTFuturoAtractivo ~~
## V3.2ACTOpcions 0.925 NA
## V3.11NSFamilia ~~
## V3.12NSAmigos 0.076 NA
## V3.12NSCompaeros ~~
## V3.14NSSociedd 0.482 NA
## V3.3CONTFcil ~~
## V3.4CONTPuedo 0.650 NA
## V3.5IEListo ~~
## V3.6IEMeta 0.097 NA
## V3.9IEPensarSerio ~~
## V3.10IEFrmIntn 0.360 NA
## V3.8IEConvencido ~~
## V3.9IEPensarSr 0.065 NA
##
## Variances:
## Estimate Std.Err Z-value P(>|z|)
## V3.1ACTFtrAtrc 1.508 NA
## V3.2ACTOpcions 1.354 NA
## V3.11NSFamilia 1.237 NA
## V3.12NSAmigos 0.312 NA
## V3.12NSCompars 0.832 NA
## V3.14NSSociedd 1.761 NA
## V3.3CONTFcil 1.383 NA
## V3.4CONTPuedo 1.356 NA
## V3.5IEListo 1.125 NA
## V3.6IEMeta 0.601 NA
## V3.7IEHarTodo 0.574 NA
## V3.8IEConvencd 0.435 NA
## V3.9IEPensarSr 1.044 NA
## V3.10IEFrmIntn 0.712 NA
## AtB 1.097 NA
## SN 1.182 NA
## PBC 0.880 NA
## EI 0.782 NAsemPaths(fitm0)
#
obs.variables=c('V3.1ACTFuturoAtractivo', 'V3.2ACTOpciones',
'V3.11NSFamilia', 'V3.12NSAmigos', 'V3.14NSSociedad',
'V3.3CONTFcil', 'V3.4CONTPuedo',
'V3.6IEMeta', 'V3.8IEConvencido', 'V3.10IEFirmeIntencin')
#
data = as.matrix(ddna[,obs.variables])
mcv = round(cov(data),1)
print(xtable(mcv),type="html")| V3.1ACTFuturoAtractivo | V3.2ACTOpciones | V3.11NSFamilia | V3.12NSAmigos | V3.14NSSociedad | V3.3CONTFcil | V3.4CONTPuedo | V3.6IEMeta | V3.8IEConvencido | V3.10IEFirmeIntencin | |
|---|---|---|---|---|---|---|---|---|---|---|
| V3.1ACTFuturoAtractivo | 2.60 | 2.20 | 0.90 | 0.70 | 0.50 | 1.20 | 1.10 | 1.80 | 1.70 | 1.90 |
| V3.2ACTOpciones | 2.20 | 2.80 | 0.90 | 0.70 | 0.50 | 1.40 | 1.30 | 2.10 | 2.00 | 2.10 |
| V3.11NSFamilia | 0.90 | 0.90 | 2.40 | 1.60 | 1.00 | 0.70 | 0.80 | 0.90 | 0.90 | 1.00 |
| V3.12NSAmigos | 0.70 | 0.70 | 1.60 | 2.20 | 1.40 | 0.50 | 0.60 | 0.60 | 0.50 | 0.60 |
| V3.14NSSociedad | 0.50 | 0.50 | 1.00 | 1.40 | 2.80 | 0.40 | 0.40 | 0.40 | 0.30 | 0.40 |
| V3.3CONTFcil | 1.20 | 1.40 | 0.70 | 0.50 | 0.40 | 2.40 | 1.80 | 1.50 | 1.50 | 1.70 |
| V3.4CONTPuedo | 1.10 | 1.30 | 0.80 | 0.60 | 0.40 | 1.80 | 2.60 | 1.60 | 1.50 | 1.60 |
| V3.6IEMeta | 1.80 | 2.10 | 0.90 | 0.60 | 0.40 | 1.50 | 1.60 | 3.30 | 2.80 | 2.90 |
| V3.8IEConvencido | 1.70 | 2.00 | 0.90 | 0.50 | 0.30 | 1.50 | 1.50 | 2.80 | 3.40 | 3.10 |
| V3.10IEFirmeIntencin | 1.90 | 2.10 | 1.00 | 0.60 | 0.40 | 1.70 | 1.60 | 2.90 | 3.10 | 3.80 |
EI.AJZEN.model21 = matrix( c(
' AtB -> V3.1ACTFuturoAtractivo', 'a', NA,
' AtB -> V3.2ACTOpciones', 'b', NA,
' SN -> V3.11NSFamilia', 'c', NA,
' SN -> V3.12NSAmigos', 'd', NA,
' SN -> V3.14NSSociedad', 'e', NA,
' PBC -> V3.3CONTFcil', 'f', NA,
' PBC -> V3.4CONTPuedo', 'g', NA,
' EI -> V3.6IEMeta', 'h', NA,
' EI -> V3.8IEConvencido', 'i', NA,
' EI -> V3.10IEFirmeIntencin', 'j', NA,
' EI <-> AtB', 'k', NA,
' EI <-> SN', 'l', NA,
' EI <-> PBC', 'm', NA,
' V3.1ACTFuturoAtractivo <-> V3.1ACTFuturoAtractivo', 'u', NA,
' V3.2ACTOpciones <-> V3.2ACTOpciones', 'v', NA,
' V3.11NSFamilia <-> V3.11NSFamilia', 'w', NA,
' V3.12NSAmigos <-> V3.12NSAmigos', 'x', NA,
' V3.14NSSociedad <-> V3.14NSSociedad', 'y', NA,
' V3.3CONTFcil <-> V3.3CONTFcil', 'z', NA,
' V3.4CONTPuedo <-> V3.4CONTPuedo', 't', NA,
' V3.6IEMeta <-> V3.6IEMeta', 's', NA,
' V3.8IEConvencido <-> V3.8IEConvencido', 'r', NA,
' V3.10IEFirmeIntencin <-> V3.10IEFirmeIntencin', 'q', NA,
' EI <-> EI', NA, 1,
' AtB <-> AtB', NA, 1,
' SN <-> SN', NA, 1,
' PBC <-> PBC', NA, 1),
ncol=3,byrow = TRUE)
fits21 = sem::sem(EI.AJZEN.model21, mcv, N=1000)
summary(fits21,fit.measures=TRUE)Model Chisquare = 672.6292 Df = 32 Pr(>Chisq) = 5.557258e-121 AIC = 718.6292 BIC = 451.581
Normalized Residuals Min. 1st Qu. Median Mean 3rd Qu. Max. -0.000311 4.122000 5.858000 6.523000 9.219000 17.070000
R-square for Endogenous Variables V3.1ACTFuturoAtractivo V3.2ACTOpciones V3.11NSFamilia 0.7429 0.8949 0.4718 V3.12NSAmigos V3.14NSSociedad V3.3CONTFcil 1.0278 0.3094 0.6966 V3.4CONTPuedo V3.6IEMeta V3.8IEConvencido 0.7454 0.7817 0.8359 V3.10IEFirmeIntencin 0.8169
Parameter Estimates Estimate Std Error z value Pr(>|z|)
a 1.38984091 0.04411008 31.5084664 6.651025e-218 b 1.58292572 0.04416668 35.8398157 2.650081e-281 c 1.06406154 0.05014294 21.2205644 6.167921e-100 d 1.50369829 0.04925279 30.5302144 1.035399e-204 e 0.93078096 0.05374295 17.3191275 3.374349e-67 f 1.29298102 0.05314713 24.3283310 9.832443e-131 g 1.39213594 0.05560627 25.0355935 2.505762e-138 h 1.48194515 0.04103124 36.1174873 1.205595e-285 i 1.54758346 0.04040054 38.3060087 0.000000e+00 j 1.62031117 0.04317146 37.5319996 0.000000e+00 k 0.64354882 0.02037319 31.5880281 5.391400e-219 l -0.03022669 0.02355901 -1.2830202 1.994850e-01 m 0.38517349 0.02504926 15.3766421 2.348136e-53 u 0.66835544 0.05734642 11.6547022 2.171381e-31 v 0.29436011 0.06482407 4.5409079 5.601250e-06 w 1.26776343 0.07931577 15.9837491 1.658631e-57 x -0.06111315 0.11075032 -0.5518101 5.810785e-01 y 1.93365298 0.09635574 20.0678547 1.409588e-89 z 0.72820718 0.09736760 7.4789479 7.491994e-14 t 0.66196511 0.11041325 5.9953414 2.030584e-09 s 0.61337741 0.03765510 16.2893566 1.174584e-59 r 0.47011526 0.03445288 13.6451655 2.157233e-42 q 0.58826795 0.04004781 14.6891421 7.566575e-49
a V3.1ACTFuturoAtractivo <— AtB
b V3.2ACTOpciones <— AtB
c V3.11NSFamilia <— SN
d V3.12NSAmigos <— SN
e V3.14NSSociedad <— SN
f V3.3CONTFcil <— PBC
g V3.4CONTPuedo <— PBC
h V3.6IEMeta <— EI
i V3.8IEConvencido <— EI
j V3.10IEFirmeIntencin <— EI
k AtB <–> EI
l SN <–> EI
m PBC <–> EI
u V3.1ACTFuturoAtractivo <–> V3.1ACTFuturoAtractivo v V3.2ACTOpciones <–> V3.2ACTOpciones
w V3.11NSFamilia <–> V3.11NSFamilia
x V3.12NSAmigos <–> V3.12NSAmigos
y V3.14NSSociedad <–> V3.14NSSociedad
z V3.3CONTFcil <–> V3.3CONTFcil
t V3.4CONTPuedo <–> V3.4CONTPuedo
s V3.6IEMeta <–> V3.6IEMeta
r V3.8IEConvencido <–> V3.8IEConvencido
q V3.10IEFirmeIntencin <–> V3.10IEFirmeIntencin
Iterations = 144
print(xtable(summary(fits21)$coeff),type="html")| Estimate | Std Error | z value | Pr(>|z|) | ||
|---|---|---|---|---|---|
| a | 1.39 | 0.04 | 31.51 | 0.00 | V3.1ACTFuturoAtractivo <— AtB |
| b | 1.58 | 0.04 | 35.84 | 0.00 | V3.2ACTOpciones <— AtB |
| c | 1.06 | 0.05 | 21.22 | 0.00 | V3.11NSFamilia <— SN |
| d | 1.50 | 0.05 | 30.53 | 0.00 | V3.12NSAmigos <— SN |
| e | 0.93 | 0.05 | 17.32 | 0.00 | V3.14NSSociedad <— SN |
| f | 1.29 | 0.05 | 24.33 | 0.00 | V3.3CONTFcil <— PBC |
| g | 1.39 | 0.06 | 25.04 | 0.00 | V3.4CONTPuedo <— PBC |
| h | 1.48 | 0.04 | 36.12 | 0.00 | V3.6IEMeta <— EI |
| i | 1.55 | 0.04 | 38.31 | 0.00 | V3.8IEConvencido <— EI |
| j | 1.62 | 0.04 | 37.53 | 0.00 | V3.10IEFirmeIntencin <— EI |
| k | 0.64 | 0.02 | 31.59 | 0.00 | AtB <–> EI |
| l | -0.03 | 0.02 | -1.28 | 0.20 | SN <–> EI |
| m | 0.39 | 0.03 | 15.38 | 0.00 | PBC <–> EI |
| u | 0.67 | 0.06 | 11.65 | 0.00 | V3.1ACTFuturoAtractivo <–> V3.1ACTFuturoAtractivo |
| v | 0.29 | 0.06 | 4.54 | 0.00 | V3.2ACTOpciones <–> V3.2ACTOpciones |
| w | 1.27 | 0.08 | 15.98 | 0.00 | V3.11NSFamilia <–> V3.11NSFamilia |
| x | -0.06 | 0.11 | -0.55 | 0.58 | V3.12NSAmigos <–> V3.12NSAmigos |
| y | 1.93 | 0.10 | 20.07 | 0.00 | V3.14NSSociedad <–> V3.14NSSociedad |
| z | 0.73 | 0.10 | 7.48 | 0.00 | V3.3CONTFcil <–> V3.3CONTFcil |
| t | 0.66 | 0.11 | 6.00 | 0.00 | V3.4CONTPuedo <–> V3.4CONTPuedo |
| s | 0.61 | 0.04 | 16.29 | 0.00 | V3.6IEMeta <–> V3.6IEMeta |
| r | 0.47 | 0.03 | 13.65 | 0.00 | V3.8IEConvencido <–> V3.8IEConvencido |
| q | 0.59 | 0.04 | 14.69 | 0.00 | V3.10IEFirmeIntencin <–> V3.10IEFirmeIntencin |
semPaths(fits21, "std", ask=FALSE)
Si consideramos la covarianza entre las variables visibes (mcv) como: podemos calcular un SEM expecÃfico
#
obs.variables=c('V3.1ACTFuturoAtractivo', 'V3.2ACTOpciones',
'V3.11NSFamilia', 'V3.12NSAmigos', 'V3.14NSSociedad',
'V3.3CONTFcil', 'V3.4CONTPuedo',
'V3.6IEMeta', 'V3.8IEConvencido', 'V3.10IEFirmeIntencin')
#
mcv = round(cov(ddna[,obs.variables]),1)
EI.AJZEN.model11 = '
# Variables Latentes
AtB =~ V3.1ACTFuturoAtractivo + V3.2ACTOpciones
SN =~ V3.11NSFamilia + V3.12NSAmigos + V3.14NSSociedad
PBC =~ V3.3CONTFcil + V3.4CONTPuedo
EI =~ V3.6IEMeta + V3.8IEConvencido + V3.10IEFirmeIntencin
# Regresión
EI ~ SN + PBC + AtB
# Correlación de Residuos
AtB ~~ AtB
PBC ~~ PBC
SN ~~ SN
EI ~~ 1 * EI
'
fitm11 = lavaan::sem(EI.AJZEN.model11, data =ddna[,obs.variables], std.lv=TRUE,
sample.cov=mcv, estimator = "ML", start="Mplus",
missing = "listwise", bootstrap=10000)
summary(fitm11,fit.measures=TRUE)## lavaan (0.5-20) converged normally after 31 iterations
##
## Number of observations 1773
##
## Estimator ML
## Minimum Function Test Statistic 263.398
## Degrees of freedom 29
## P-value (Chi-square) 0.000
##
## Model test baseline model:
##
## Minimum Function Test Statistic 12289.676
## Degrees of freedom 45
## P-value 0.000
##
## User model versus baseline model:
##
## Comparative Fit Index (CFI) 0.981
## Tucker-Lewis Index (TLI) 0.970
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -28250.586
## Loglikelihood unrestricted model (H1) -28118.887
##
## Number of free parameters 26
## Akaike (AIC) 56553.171
## Bayesian (BIC) 56695.662
## Sample-size adjusted Bayesian (BIC) 56613.062
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.068
## 90 Percent Confidence Interval 0.060 0.075
## P-value RMSEA <= 0.05 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.046
##
## Parameter Estimates:
##
## Information Expected
## Standard Errors Standard
##
## Latent Variables:
## Estimate Std.Err Z-value P(>|z|)
## AtB =~
## V3.1ACTFtrAtrc 1.373 0.032 42.657 0.000
## V3.2ACTOpcions 1.582 0.031 50.318 0.000
## SN =~
## V3.11NSFamilia 1.148 0.036 32.106 0.000
## V3.12NSAmigos 1.379 0.034 41.118 0.000
## V3.14NSSociedd 0.988 0.039 25.427 0.000
## PBC =~
## V3.3CONTFcil 1.369 0.033 40.907 0.000
## V3.4CONTPuedo 1.310 0.035 37.485 0.000
## EI =~
## V3.6IEMeta 0.962 0.024 39.978 0.000
## V3.8IEConvencd 1.004 0.024 41.518 0.000
## V3.10IEFrmIntn 1.041 0.025 40.926 0.000
##
## Regressions:
## Estimate Std.Err Z-value P(>|z|)
## EI ~
## SN -0.031 0.032 -0.971 0.331
## PBC 0.558 0.046 12.150 0.000
## AtB 0.971 0.051 19.042 0.000
##
## Covariances:
## Estimate Std.Err Z-value P(>|z|)
## AtB ~~
## SN 0.351 0.024 14.830 0.000
## PBC 0.635 0.018 35.413 0.000
## SN ~~
## PBC 0.315 0.025 12.374 0.000
##
## Variances:
## Estimate Std.Err Z-value P(>|z|)
## AtB 1.000
## PBC 1.000
## SN 1.000
## EI 1.000
## V3.1ACTFtrAtrc 0.720 0.036 19.779 0.000
## V3.2ACTOpcions 0.270 0.037 7.248 0.000
## V3.11NSFamilia 1.100 0.054 20.501 0.000
## V3.12NSAmigos 0.328 0.056 5.800 0.000
## V3.14NSSociedd 1.777 0.067 26.570 0.000
## V3.3CONTFcil 0.572 0.049 11.708 0.000
## V3.4CONTPuedo 0.870 0.050 17.257 0.000
## V3.6IEMeta 0.650 0.029 22.237 0.000
## V3.8IEConvencd 0.453 0.025 17.897 0.000
## V3.10IEFrmIntn 0.596 0.030 19.994 0.000semPaths(fitm11, what="par", ask=FALSE, layout="tree2",residuals=TRUE, style="OpenMx",
sizeMan=8, edge.label.cex=0.9, thresholds = TRUE)
#Ahora metemos la cultura como una endógena explicada por algunas exógenas
#
ddold = ddna
ddna[,"V2.8Individualismo"]= as.numeric(ddna[,"V2.8Individualismo"])
ddna[,"V2.2MasculinidadINV"]= as.numeric(ddna[,"V2.2MasculinidadINV"])
ddna[,"V2.6Masculinidad"]= as.numeric(ddna[,"V2.6Masculinidad"])
ddna[,"V2.3.AversinINV"]= as.numeric(ddna[,"V2.3.AversinINV"])
ddna[,"V2.5Aversin"]= as.numeric(ddna[,"V2.5Aversin"])
ddna[,"V2.7Aversin"]= as.numeric(ddna[,"V2.7Aversin"])
obs.variables2=c('V3.1ACTFuturoAtractivo', 'V3.2ACTOpciones',
'V3.11NSFamilia', 'V3.12NSAmigos', 'V3.14NSSociedad',
'V3.3CONTFcil', 'V3.4CONTPuedo', 'V3.6IEMeta', 'V3.8IEConvencido',
'V3.10IEFirmeIntencin', 'V2.8Individualismo',
'V2.2MasculinidadINV', 'V2.6Masculinidad',
'V2.5Aversin','V2.7Aversin')
#
mcv = round(cov(ddna[,obs.variables2]),1)
EI.AJZEN.model13 = '
# Variables Latentes
CHI =~ V2.8Individualismo
CHM =~ V2.2MasculinidadINV + V2.6Masculinidad
CRA =~ V2.5Aversin + V2.7Aversin
AtB =~ V3.1ACTFuturoAtractivo + V3.2ACTOpciones
SN =~ V3.11NSFamilia + V3.12NSAmigos + V3.14NSSociedad
PBC =~ V3.3CONTFcil + V3.4CONTPuedo
EI =~ V3.6IEMeta + V3.8IEConvencido + V3.10IEFirmeIntencin
# Regresión
SN ~ CHI + CRA
AtB ~ CHI + CHM + CRA + SN
PBC ~ CHI + CHM + SN
EI ~ SN + PBC + AtB
# Correlación de Residuos
CHI ~~ CHI
CHM ~~ CHM
CRA ~~ CRA
AtB ~~ AtB
PBC ~~ PBC
SN ~~ SN
EI ~~ 1 * EI
'
fitm13 = lavaan::sem(EI.AJZEN.model13, data =ddna[,obs.variables2], std.lv=TRUE,
sample.cov=mcv, estimator = "ML", start="Mplus",
missing = "listwise", bootstrap=10000)
summary(fitm13,fit.measures=TRUE,rsquare=TRUE)## lavaan (0.5-20) converged normally after 110 iterations
##
## Number of observations 1773
##
## Estimator ML
## Minimum Function Test Statistic 764.719
## Degrees of freedom 76
## P-value (Chi-square) 0.000
##
## Model test baseline model:
##
## Minimum Function Test Statistic 13153.299
## Degrees of freedom 105
## P-value 0.000
##
## User model versus baseline model:
##
## Comparative Fit Index (CFI) 0.947
## Tucker-Lewis Index (TLI) 0.927
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -40888.835
## Loglikelihood unrestricted model (H1) -40506.476
##
## Number of free parameters 44
## Akaike (AIC) 81865.670
## Bayesian (BIC) 82106.809
## Sample-size adjusted Bayesian (BIC) 81967.024
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.071
## 90 Percent Confidence Interval 0.067 0.076
## P-value RMSEA <= 0.05 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.067
##
## Parameter Estimates:
##
## Information Expected
## Standard Errors Standard
##
## Latent Variables:
## Estimate Std.Err Z-value P(>|z|)
## CHI =~
## V2.8Individlsm 0.991 0.017 59.548 0.000
## CHM =~
## V2.2MsclnddINV 0.250 0.031 8.107 0.000
## V2.6Masculindd -0.023 0.026 -0.898 0.369
## CRA =~
## V2.5Aversin 0.388 0.070 5.576 0.000
## V2.7Aversin 0.874 0.145 6.025 0.000
## AtB =~
## V3.1ACTFtrAtrc 0.947 0.067 14.111 0.000
## V3.2ACTOpcions 1.087 0.077 14.169 0.000
## SN =~
## V3.11NSFamilia 1.129 0.035 32.326 0.000
## V3.12NSAmigos 1.354 0.033 41.033 0.000
## V3.14NSSociedd 0.972 0.038 25.520 0.000
## PBC =~
## V3.3CONTFcil 0.610 0.171 3.567 0.000
## V3.4CONTPuedo 0.586 0.164 3.574 0.000
## EI =~
## V3.6IEMeta 0.958 0.024 39.845 0.000
## V3.8IEConvencd 1.000 0.024 41.367 0.000
## V3.10IEFrmIntn 1.037 0.025 40.786 0.000
##
## Regressions:
## Estimate Std.Err Z-value P(>|z|)
## SN ~
## CHI 0.170 0.026 6.434 0.000
## CRA 0.061 0.030 2.055 0.040
## AtB ~
## CHI 0.453 0.130 3.488 0.000
## CHM 1.005 0.155 6.506 0.000
## CRA 0.129 0.044 2.920 0.003
## SN 0.484 0.050 9.598 0.000
## PBC ~
## CHI 0.864 0.414 2.088 0.037
## CHM 2.052 0.755 2.719 0.007
## SN 0.690 0.202 3.414 0.001
## EI ~
## SN -0.036 0.031 -1.142 0.253
## PBC 0.253 0.073 3.462 0.001
## AtB 0.671 0.057 11.845 0.000
##
## Covariances:
## Estimate Std.Err Z-value P(>|z|)
## CHI ~~
## CHM -0.409 0.099 -4.135 0.000
## CRA 0.172 0.037 4.658 0.000
## CHM ~~
## CRA -0.128 0.039 -3.270 0.001
##
## Variances:
## Estimate Std.Err Z-value P(>|z|)
## CHI 1.000
## CHM 1.000
## CRA 1.000
## AtB 1.000
## PBC 1.000
## SN 1.000
## EI 1.000
## V2.8Individlsm 0.000
## V2.2MsclnddINV 1.158 0.040 29.116 0.000
## V2.6Masculindd 0.880 0.030 29.769 0.000
## V2.5Aversin 1.253 0.065 19.277 0.000
## V2.7Aversin 0.121 0.252 0.480 0.631
## V3.1ACTFtrAtrc 0.712 0.036 19.699 0.000
## V3.2ACTOpcions 0.281 0.037 7.613 0.000
## V3.11NSFamilia 1.099 0.053 20.733 0.000
## V3.12NSAmigos 0.331 0.055 6.006 0.000
## V3.14NSSociedd 1.775 0.067 26.628 0.000
## V3.3CONTFcil 0.584 0.048 12.183 0.000
## V3.4CONTPuedo 0.864 0.050 17.356 0.000
## V3.6IEMeta 0.650 0.029 22.240 0.000
## V3.8IEConvencd 0.454 0.025 17.913 0.000
## V3.10IEFrmIntn 0.596 0.030 19.996 0.000
##
## R-Square:
## Estimate
## AtB 0.525
## PBC 0.800
## SN 0.035
## EI 0.659
## V2.8Individlsm 1.000
## V2.2MsclnddINV 0.051
## V2.6Masculindd 0.001
## V2.5Aversin 0.107
## V2.7Aversin 0.863
## V3.1ACTFtrAtrc 0.726
## V3.2ACTOpcions 0.899
## V3.11NSFamilia 0.546
## V3.12NSAmigos 0.852
## V3.14NSSociedd 0.355
## V3.3CONTFcil 0.761
## V3.4CONTPuedo 0.665
## V3.6IEMeta 0.806
## V3.8IEConvencd 0.866
## V3.10IEFrmIntn 0.841semPaths(fitm13, what="par", ask=FALSE, layout="tree2",residuals=TRUE, style="OpenMx",
sizeMan=8, edge.label.cex=0.9, thresholds = TRUE)
#