SUNEDU - Superintendencia Nacional de Educación superior Universitaria
Introduccion al programa_amos_5
1. 1
INTRODUCCIÓN AL PROGRAMA AMOS 5.0.
1. Entrar al programa
El programa AMOS 5.0 permite la estimación y contraste de modelos estructurales mediante
un sencillo y cómodo interface gráfico. Para entrar en AMOS se selecciona la opción “Amos
Graphics” dentro del menú de AMOS 5. Actualmente AMOS constituye un componente
integrado de SPSS
2. Formato del Fichero de datos
Aunque AMOS permite importar distintos tipos de ficheros de datos, trabajaremos con
ficheros con formato SPSS:
1.) El fichero de datos puede ser una matriz de correlaciones:
Donde aparecen en primer lugar 2 variables de tipo CADENA (ROWTYPE_ y
VARNAME_). ROWTYPE indica el tipo de dato que va a aparecer en esa fila: MEAN
(media), STDDEV (desviación típica), N (número de sujetos en esa variable), CORR
(correlaciones); VARNAME_ indica la variable a la que se va a referir el dato (sólo se
especifica para N y para CORR). Cada columna siguiente indica también a qué variable
pertenece cada dato. Por ejemplo, la correlación entre FLSPAN y MATR_STO es 0.47.
2
2.) También podemos tener una matriz de datos típica con los datos directos de los sujetos
(en filas) a las variables (en columnas):
2. 3
3. Para generar un modelo estructural
Seleccionamos en el menú FILE y luego NEW. Tendremos la siguiente pantalla:
En la parte central se debe dibujar el diagrama correspondiente al modelo que desee estimar.
A la derecha aparecen una serie de iconos mediante los cuales se puede dibujar el modelo.
Las funciones de la mayoría de estos iconos pueden ejecutarse también desde el menú
superior. En primer lugar, debe definirse cuál es el fichero donde están los datos. Para ello se
pulsa el icono (seleccionar fichero). Aparecerá la siguiente pantalla:
4
Seleccione el botón File name y elija el fichero de datos.
Ahora debe trazarse el modelo. Existen distintos iconos para este objetivo. Lo mejor es
empezar dibujando los factores latentes. Para ello se pulsa en el icono (Dibujo de
variables latentes con sus indicadores respectivos), se mueve el puntero a la parte central y,
pinchando con el botón izquierdo, se genera un círculo (el factor latente). Posteriormente, se
pulsa tantas veces en el circulo como indicadores tenga la variable. Se repite el procedimiento
para cada factor latente que aparezca en el modelo. En el ejemplo, tenemos 2 factores
latentes con 3 indicadores. Debería quedar un diagrama como el siguiente (figura izquierda):
En realidad, el mismo dibujo puede hacerse utilizando los
siguientes iconos de la barra de herramientas:
Para dibujar las variables observables
Para dibujar los factores latentes
Para dibujar el error de las variables
observables.
Para dibujar las relaciones unidireccionales
entre las variables.
Para completar el diagrama pinchamos en el icono
(dibujar correlaciones) y dibujamos una correlación entre
los 2 factores. Como el dibujo es muy pequeño en relación al recuadro se puede pulsar el
icono (ajustar a la página) y obtendremos el siguiente resultado:
Ahora decir qué indicador se corresponde con cada
variable del fichero de datos. La manera más sencilla es
seleccionar el icono (presentar las variables en la
matriz de datos). Nos aparecera una pantalla como la
siguiente:
3. 5
Seleccionamos cada variable del recuadro y la arrastramos (pulsando el botón izquierdo del
ratón) hacia el indicador correspondiente en el dibujo. Obtendremos los siguiente:
Ahora tendremos que poner nombres a las variables
latentes. Pulsamos sobre cualquiera de los circulos (2
veces) y obtendremos el siguiente recuadro:
En Variable name ponemos el nombre de la variable (MCP). Variable Label indica la etiqueta
con la que se presentará en el gráfico. Pulsando en la pestaña de Parameters podremos fijar los
parámetros (la varianza, en este caso) de esa variable a un valor concreto. En nuestro caso, ya
hemos fijado la métrica de MCP fijando su peso a FLSPAN a 1. Tras poner nombre a todas
las variables latentes tendremos algo parecido a esta interesante figura:
Y ya hemos terminado la especificación del modelo.
Algunos otros iconos pueden resultar útiles para
realizar/modificar el dibujo:
Seleccionar un objeto del dibujo
Seleccionar todos los objetos
Deseleccionar todos los objetos
Duplicar objetos Desplazar objetos
Borrar objetos Cambiar forma objetos Realinear objetos
Cambiar propiedades de objetos seleccionados simultáneamente
6
Podemos pinchar sobre cualquiera de los elementos dibujados (flechas, círculos,
cuadrados,...) para cambiar sus propiedades.
4. Para estimar los parámetros del modelo estructural
Antes de ejecutar el programa, podemos seleccionar el icono , para especificar las
propiedades del análisis, y aparecerá lo siguiente:
Podemos observar que el
método de análisis seleccionado
es el de máxima verosimilitud. Si
hay datos perdidos la opción
Estimate means and intercepts debe
estar marcada.
Otra pestaña importante de esta
ventana es Output donde
podemos especificar la
información que queremos que
aparezca en la salida. Es
importante que este seleccionado
Standardized estimates para que el
programa nos proporcione el
valor de los parámetros
estandarizados.
Dicho esto, podemos ejecutar el programa pulsando el siguiente icono y rezar para
qué nuestro modelo esté bien especificado así como identificado...
Pero antes de seguir, se guarda el trabajo seleccionando en el menú FILE y luego SAVE
AS.
5. Salida del programa:
Para ver los resultados se pulsa el icono .
Las primera parte de la salida es importante para saber si el programa se ha ejecutado
correctamente (nos indican el tamaño de la muestra, el número de variables de cada tipo, el
número de parámetros fijos y libres , la matriz de varianzas-covarianzas y la matriz de
correlaciones observadas y el cálculo de los grados de libertad).
4. 7
The model is recursive.
Sample size = 134
Variable counts (Group number 1)
Number of variables in your model: 14
Number of observed variables: 6
Number of unobserved variables: 8
Number of exogenous variables: 8
Number of endogenous variables: 6
Parameter summary (Group number 1)
Weights Covariances Variances Means Intercepts Total
Fixed 8 0 0 0 0 8
Labeled 0 0 0 0 0 0
Unlabeled 4 1 8 0 0 13
Total 12 1 8 0 0 21
Sample Moments (Group number 1)
Sample Covariances (Group number 1)
MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN
MATR_STO 41.638
COMP_ST 11.077 13.519
RSPAN_ST 2.706 1.919 2.808
DOT_MEM 5.626 3.086 .493 6.880
FDSPAN 8.346 4.522 .849 2.139 8.161
FLSPAN 7.519 4.149 1.030 1.470 4.104 6.265
Sample Correlations (Group number 1)
MATR_STO COMP_ST RSPAN_ST DOT_MEM FDSPAN FLSPAN
MATR_STO 1.000
COMP_ST .467 1.000
RSPAN_ST .250 .311 1.000
DOT_MEM .332 .320 .112 1.000
FDSPAN .453 .430 .177 .286 1.000
FLSPAN .466 .451 .246 .224 .574 1.000
Models
Default model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 21
Number of distinct parameters to be estimated: 13
Degrees of freedom (21 - 13): 8
8
A continuación aparecen los parámetros no estandarizados y sus errores típicos de
estimación que nos permiten ver si los parámetros son significativamente distintos de 0.
También aparecen los mismos pesos para la solución estandarizada.
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
FLSPAN <--- MCP 1.000
FDSPAN <--- MCP 1.124 .166 6.783 ***
DOT_MEM <--- MCP .554 .139 3.994 ***
RSPAN_ST <--- MT 1.000
COMP_ST <--- MT 4.091 1.132 3.614 ***
MATR_STO <--- MT 7.265 2.005 3.622 ***
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
FLSPAN <--- MCP .748
FDSPAN <--- MCP .737
DOT_MEM <--- MCP .396
RSPAN_ST <--- MT .370
COMP_ST <--- MT .690
MATR_STO <--- MT .698
Covariances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
MCP<--> MT 1.029 .312 3.302 ***
Correlations: (Group number 1 - Default model)
Estimate
MCP<--> MT .886
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
MCP 3.507 .805 4.356 ***
MT .385 .199 1.937 .053
efl 2.758 .535 5.152 ***
efd 3.729 .697 5.347 ***
edo 5.802 .749 7.746 ***
ers 2.424 .312 7.762 ***
eco 7.081 1.236 5.731 ***
ema 21.339 3.805 5.608 ***
5. 9
Finalmente aparece información sobre el ajuste del modelo (aquí hemos seleccionado
aquellos tablas donde aparecen índices que hemos visto en clase).
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 13 7.761 8 .457 .970
Saturated model 21 .000 0
Independence model 6 182.938 15 .000 12.196
RMR, GFI
Model RMR GFI AGFI PGFI
Default model .404 .981 .951 .374
Saturated model .000 1.000
Independence model 4.165 .604 .446 .431
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model .958 .920 1.001 1.003 1.000
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model .533 .511 .533
Saturated model .000 .000 .000
Independence model 1.000 .000 .000
FMIN
Model FMIN F0 LO 90 HI 90
Default model .058 .000 .000 .079
Saturated model .000 .000 .000 .000
Independence model 1.375 1.263 .963 1.619
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model .000 .000 .100 .676
Independence model .290 .253 .329 .000
AIC
Model AIC BCC BIC CAIC
Default model 33.761 35.205 71.433 84.433
Saturated model 42.000 44.333 102.855 123.855
Independence model 194.938 195.604 212.325 218.325
10