INTRODUCCIÓN AL PROGRAMA AMOS 5.0.

2.) También podemos tener una matriz de datos típica con los datos directos de los sujetos
(en filas) a las variables (en columnas):
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.
1
2
3. Para generar un modelo estructural
Seleccione el botón File name y elija el fichero de datos.
Seleccionamos en el menú FILE y luego NEW. Tendremos la siguiente pantalla:
Ahora debe trazarse el modelo. Existen distintos iconos para este objetivo. Lo mejor es
(Dibujo de
empezar dibujando los factores latentes. Para ello se pulsa en el icono
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
observables.
el
error
de
las
variables
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
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
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 fichero). Aparecerá la siguiente pantalla:
(presentar las variables en la
seleccionar el icono
matriz de datos). Nos aparecera una pantalla como la
siguiente:
3
4
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:
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
propiedades del análisis, y aparecerá lo siguiente:
, para especificar las
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.
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
Dicho esto, podemos ejecutar el programa pulsando el siguiente icono
qué nuestro modelo esté bien especificado así como identificado...
Deseleccionar todos los objetos
y rezar para
Pero antes de seguir, se guarda el trabajo seleccionando en el menú FILE y luego SAVE
AS.
Borrar objetos
Duplicar objetos
Desplazar objetos
Cambiar forma objetos
Realinear objetos
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).
Cambiar propiedades de objetos seleccionados simultáneamente
5
6
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.
The model is recursive.
Sample size = 134
Variable counts (Group number 1)
Number of variables in your model:
Number of observed variables:
Number of unobserved variables:
Number of exogenous variables:
Number of endogenous variables:
Regression Weights: (Group number 1 - Default model)
14
6
8
8
6
Estimate
Parameter summary (Group number 1)
Fixed
Labeled
Unlabeled
Total
Weights
8
0
4
12
Covariances
0
0
1
1
Variances
0
0
8
8
Means
0
0
0
0
Intercepts
0
0
0
0
Total
8
0
13
21
DOT_MEM
FDSPAN
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 ***
COMP_ST
RSPAN_ST
FLSPAN
13.519
1.919
3.086
4.522
4.149
2.808
.493
.849
1.030
MATR_STO
COMP_ST
RSPAN_ST
DOT_MEM
FDSPAN
FLSPAN
6.880
2.139
1.470
8.161
4.104
6.265
COMP_ST
RSPAN_ST
DOT_MEM
FDSPAN
FLSPAN
1.000
.311
.320
.430
.451
1.000
.112
.177
.246
MCP
MCP
MCP
MT
MT
MT
Estimate
MCP <--> MT
Estimate
.748
.737
.396
.370
.690
.698
S.E.
1.029
C.R.
P
Label
.312 3.302 ***
Correlations: (Group number 1 - Default model)
MCP <--> MT
Estimate
.886
Variances: (Group number 1 - Default model)
1.000
.286
.224
Estimate
1.000
.574
MCP
1.000
Models
Default model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments:
Number of distinct parameters to be estimated:
Degrees of freedom (21 - 13):
Label
Covariances: (Group number 1 - Default model)
Sample Correlations (Group number 1)
MATR_STO
1.000
.467
.250
.332
.453
.466
P
1.000
FLSPAN
<--FDSPAN
<--DOT_MEM <--RSPAN_ST <--COMP_ST <--MATR_STO <---
Sample Covariances (Group number 1)
MATR_STO
41.638
11.077
2.706
5.626
8.346
7.519
C.R.
<--- MCP
Standardized Regression Weights: (Group number 1 - Default model)
Sample Moments (Group number 1)
MATR_STO
COMP_ST
RSPAN_ST
DOT_MEM
FDSPAN
FLSPAN
S.E.
FLSPAN
S.E.
C.R.
P
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 ***
Label
21
13
8
7
8
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
Default model
Saturated model
Independence model
NPAR
13
21
6
CMIN
7.761
.000
182.938
DF
8
0
15
P
.457
CMIN/DF
.970
.000
12.196
RMR, GFI
Model
Default model
Saturated model
Independence model
RMR
.404
.000
4.165
GFI
.981
1.000
.604
AGFI
.951
PGFI
.374
.446
.431
RFI
rho1
.920
IFI
Delta2
1.001
1.000
.000
TLI
rho2
1.003
Baseline Comparisons
Model
Default model
Saturated model
Independence model
NFI
Delta1
.958
1.000
.000
.000
.000
CFI
1.000
1.000
.000
Parsimony-Adjusted Measures
Model
Default model
Saturated model
Independence model
PRATIO
.533
.000
1.000
PNFI
.511
.000
.000
PCFI
.533
.000
.000
FMIN
Model
Default model
Saturated model
Independence model
FMIN
.058
.000
1.375
F0
.000
.000
1.263
LO 90
.000
.000
.963
HI 90
.079
.000
1.619
RMSEA
Model
Default model
Independence model
RMSEA
.000
.290
LO 90
.000
.253
AIC
33.761
42.000
194.938
BCC
35.205
44.333
195.604
HI 90
.100
.329
PCLOSE
.676
.000
AIC
Model
Default model
Saturated model
Independence model
BIC
71.433
102.855
212.325
CAIC
84.433
123.855
218.325
9
10