N o r m a l id a d y o t r o s s u p u e s t o s

EN ANLISIS DE COVARIANZAS 3
Autores: Dra. Nuria Gonzlez Alvarez. Universidad de Len.
Dr. Julio Abad Gonzlez, Universidad de Len.
Dr. Jean-Pierre Lvy Mangin, Universit da Qubec en Outaouais.

3.1. In tro d u cci n

Este captulo aborda el estudio de ios supuestos subyacentes al A nlisis de Covarianzas. E! prim ero de ellos y, quiz
el m s im portante, es el requisito de que los datos disponibles sigan de form a conjunta una distribucin normal.
El cum plim iento de este supuesto resulta necesario con el fin de garantizar !a validez de los resultados. E s por ello
que, en este captulo, se dedica un prim er epgrafe a! estudio de dicho supuesto, tanto de forma univarante como
m uitivariante, proponindose pruebas grficas y estadsticas que perm iten contrastar su cumplim iento.
E! siguiente epgrafe se ocupa de! anlisis de la linealidad de los datos, otro de los supuestos requeridos para la
utilizacin de los Modelos de E cuaciones E structurales. La com probacin de este supuesto se realiza a travs del
estudio de os grficos de dispersin.
Finalm ente, se abordan algunos procedim ientos que perm iten detectar la existencia de valores atpicos o outliers
entre los datos disponibles, tanjo desde una perspectiva univarante como m uitivariante. La presencia de valores at
picos entre las observaciones puede influir en las relaciones entre variables y desvirtuar los resultados del A nlisis
de Ecuaciones E structurales, eje ah la im portancia de detectar y, en su caso, elim inar dichas observaciones.
Todos los epgrafes se ilustran con un ejemplo prctico en el que se m uestra cm o aplicar el program a estadstico
SPSS y los prograpias de anljsis de ecuaciones estructurales LISREL y AM OS en el estudio del cum plim iento de
estas hiptesis. '

3.2. N orm alidad

Com o acabam os de sealar, uno de los principales supuestos sobre el que se asienta el Modelo de Ecuaciones
E structurales es que las V ariables observadas siguen de form a conjunta una distribucin normal m uitivariante dado
que, en caso contrario, ni los estim adores planteados seran ptim os, ni los contrastes individuales de tos parm etros
ni los de ajuste global resultaran adecuados.
En este sentido, el que cada una de estas variables verifique la normalidad univarante resulta ser una condicin ne
cesaria, pero no suficiente, para que conjuntamente sigan una normal muitivariante; es decir, si la distribucin conjunta
es notmal muitivariante, cada una de las marginales es una normal univarante, pero no a la inversa. Por este motivo,
se hace necesario comprobar, en primer lugar, que todas las variables consideradas individualmente se distribuyen
normalmente para, a continuacin, contrastar que todas eltas en conjunto cumplen !a normalidad muitivariante.
Por todo ello, vam os a referirnos, en prim er lugar, a algunos procedim ientos que perm iten estudiar la norm alidad
univariante; posteriorm ente, tratarem os tcnicas para contrastar la hiptesis de norm alidad m uitivariante y, final
m ente, ilustrarem os todo ello con un ejemplo de aplicacin en ei que se m ostrar cm o utilizar distintos program as
estadsticos a la hora de evaluar la norm alidad de los datos.

3 .2 .1 . N o r m a l i d a d u n iv a r a n t e
Para estudiar la norm alidad univariante de los datos podem os com enzar realizando una inspeccin visual de los
m ism os, utilizando para ello el histogram a, que nos perm itir observar s la forma de la distribucin es sim ilar
a la de la cam pana de Gauss (unim odal, cam paniform e, sim trica...). O tra opcin es el grfico de probabilidad
norma! en et que se representan los datos frente a la terica distribucin norm al, de forma que los puntos deberan
aproxim arse a una lnea recta para poder adm itir que son norm ales, aunque conviene tener en cuenta que siempre

31
32 Modelizacin con Estructuras de Covarianzas en Ciencias Sociales

tender a observarse una mayor desviacin en los extrem os. Adems, tos grficos de probabilidad norm al tam bin
perm iten conocer a causa de esa desviacin: si ios puntos se disponen en forma de U o con alguna curvatura, ello
se debe a que la distribucin es asim trica; m ientras que, si presentan form a de S, significar que a distribucin
no es m esocrtica.
El problema que plantean estos m todos grficos es que siem pre presentan un im portante grado de subjetividad;
la forma del histogram a depende dei nm ero y am plitud de os intervalos que se consideren, y es el investigador el
que ha de ju zg ar en qu m edida los puntos se ajustan a una recta en et grfico de probabilidad normal.
Por tanto, para valorar la norm alidad de los datos desde una perspectiva ms objetiva, resulta necesario em plear otro
tipo de procedimientos: los denom inados contrastes de norm alidad, de entre los cuales destacarem os los siguientes:

3 .2 .i. i. Contraste de Kolmogorov-Smirnov-UIUefors

Se trata de una m odificacin del contraste de bondad de ajuste de K olm ogorov-Sm irnov para ei caso en que ia
distribucin de contraste es una normal de parm etros desconocidos, que es la situacin ms habitual. Este contraste
com para la funcin de distribucin em prica m uestral con la terica de una poblacin norm al, de m anera que se re
chazara ia hiptesis nula de norm alidad cuando el valor experim ental del estadstico, que sera la m ayor diferencia
registrada entre am bas funciones, es significativam ente grande. Este contraste no resulta m uy apropiado cuando et
tam ao de m uestra es pequeo porque su potencia es baja para ese tipo de m uestras.

3.2.1.2. Contraste de Shapiro-Wilk

M ide el grado de ajuste a una recta de as observaciones de ia m uestra representadas en un grfico de probabilidad nor
mal, de forma que se rechazar la hiptesis nula de normalidad cuando el ajuste sea malo, situacin que se corresponde
con valores pequeos del estadstico de contraste. Este contraste es el m s adecuado cuando el tam ao de m uestra es
pequeo (no superior a 50) y tampoco requiere que los parmetros de ia distribucin estn especificados.

3.2.1.3. Contrastes de asimetra y Curtosis

Perm iten determ inar si la torrna de 1a distribucin de tas observaciones m uestrates se aleja significativam ente de la
de un modeio normal en lo que a su sim etra y Curtosis se refiere. A ntes de plantear este contraste, vam os a definir
dichos conceptos.
Una distribucin es sim trica cuando los valores que estn a la m ism a distancia de a m edia tienen igual frecuen
cia; m ientras que, es asim trica a la derecha (o con asim etra positiva) cuando los valores bajos de la variable son los
m s frecuentes, y asim trica a la izquierda (o con asim etra negativa) en caso contrario.
La Curtosis, por su parte, se refiere al grado de apuntam iento que presenta una distribucin ai com pararla con a
distribucin norm al. Una distribucin es leptocrtica (o con C urtosis positiva) cuando es m s apuntada y con colas
m enos gruesas que la norm al; platicrtica (o con Curtosis negativa), si es m s aplastada y con colas m s gruesas que
la distribucin norm al, y m esocrtica, si es igual de apuntada que la norma!.
Dada una variable aleatoria X c o n m edia o esperanza E (X ) = (i y con varianza a 2 ~ E { {X - u.)2], se definen ios
coeficientes poblacionales de asim etra, y,, y de C urtosis, y,, como:

donde \xk es el m om ento central de orden k definido como M-* = [ ( X - ,u)A].

La interpretacin de estos coeficientes, tal y como se m uestra en las figuras 3.1 y 3.2, es la siguiente: si y, es
positivo, la distribucin es asim trica a la derecha; si es negativo, lo es a la izquierda, y si es nulo, es sim trica. Por su
parte, si y, es positivo, la distribucin es m s apuntada que la normal; si es negativo, es m s aplastada que ja norm al,
y si es nulo, tiene una.Curtosis como la de la distribucin norm al. Por tanto, cuando una variable aleatoria sigue una
distribucin norm al, am bos coeficientes son nulos.

F igura 3. i . D istribucin poblacional de asim etra.

 Captulo 3 33

F igura 3 .2 . D istribucin poblacional de la curtosis.

D ado que, como ya hemos sealado anteriorm ente, Los valores de estos coeficientes se refieren a. toda la po
blacin, un procedim iento para decidir a partir de una m uestra si la distribucin de la que procede es o no norm al,
consiste en estim ar el valor de y, y y, y valorar si difieren significativam ente de cero, en cuyo caso, rechazaram os
la hiptesis de norm alidad.
A tal fin, siendo {xx,x v una m uestra aleatoria de tam ao de la variable aleatoria X, se definen ios
coeficientes m uestraies de asim etra, gr,, y de C urtosis, g 2, como:

donde m k es el m om ento muestra! central de k-sim o orden:

. - i * , - * ) ','

S 1 es la varianza muestral:

y x es la m edia muestra!:
1

Estos coeficientes m uestraies no son, en general, estim adores insesgados de y1 y de y,, por !o que se plantean
sendos estim adores <3, y G2 que, bajo la hiptesis nula de norm alidad que querem os contrastar, no tienen sesgo y sus
varianzas son conocidas. Las respectivas expresiones de G t y G2 y sus relaciones con g l y g 2 son as siguientes:

( * J n (n -l)') m3 _ y fn (n ~ i)
n 2

( n - < -!)( -1 ) n 1
G, > )" [( + 0 g 2 + 6]
( - 2X n - 3) \n + \) (^ 2 )^ -3 )

Una vez estim ados a p artir de la inform acin m uestral los coeficientes de asim etra y Curtosis y sus respec
tivas varianzas, se pueden construir diversos estad stico s1 que perm itirn contrastar las hiptesis nulas de que los
parm etros poblacionales y, y y2 son nulos. D ado que la distribucin de estos estadsticos de contraste, a los que
denom inarem os z(G,) y z(G 2), se aproxim a a una norm al tipificada, para un nivel de significacin del 5%, un valor
experim enta! de z(G t) superior en valor absoluto a 1,96 perm ite rechazar la hiptesis nula y, = 0 (la distribucin
es sim trica) y, de form a anloga, si jz(G 2) \ > l,96, entonces se rechaza la hiptesis nula y, = 0 (la distribucin es
m esocrtica). Partiendo de los dos estadsticos de contraste individual z(G {) y z(G 2), se puede efectuar un contraste
conjunto de la sim etra y Curtosis de la m uestra utilizando el siguiente estadstico:
k ^ l z G j Y + tz iG jp

1 En Bollen (98$: p. 421) se relaciona un conjunto de estadsticos recomendados por DAgostino (1986) para el contraste de a
simetra y la Curtosis, indicando cul resulta ms adecuado segn el tamao de la muestra con que se trabaje.
34 Modelizacin con Estructuras de Covarianzas en Ciencias Sociales

que se distribuir asntticarnem e com o una x: con dos grados de libertad, de form a que un valor de k 2 superior a
5,99 perm ite rechazar la hiptesis nula y = y, = 0 (sim etra y Curtosis igual a la norm al) dado un nivel de significa
cin dei 5%.
De este modo, rechazar la hiptesis nula, bien en cualquiera de los dos contrastes individuales, bien en el con
traste conjunto, supone rechazar tam bin la hiptesis de que los datos proceden de una distribucin norm al.

3.2.2. N orm alid ad m u itivarian te

H asta ahora nos hem os referido a m todos que perm iten contrastar 1a hiptesis de norm alidad para cada una
de las variables observables consideradas por separado. Sin em bargo, com o ya se ha sealado, el M odelo de
E cuaciones E structurales se asienta en el supuesto de que las variables observadas siguen de form a conjunta una
distribucin norm al m uitivariante. En este sentido, el que cada una de estas variables verifique la norm alidad
univariante resulta ser una condicin necesaria, pero no suficiente, para que conjuntam ente sigan una norm al
m uitivariante (si la distribucin conjunta es or m al m uitivariante, cada una de las m arginales es una norm al
univariante, pero no a la inversa).
Por este motivo, una vez com probada la norm alidad de cada una de las V ariables observadas consideradas
individualm ente, se hace necesario tam bin contrastar la hiptesis de norm alidad m uitivariante. A tal fin, M ardia
(1970) propuso algunos tests para contrastar si la asim etra y la Curtosis m ultivariantes del conjunto de variables
observables perm ite asum ir o no ia hiptesis de norm alidad. Estos contrastes se construyen a partir de las siguientes
m edidas m uestraies de asim etra y Curtosis m ultivariantes:

- A sim etra: G ~ - x ) 'S (x . - x ) ] *

' ;-i > . L J

- Curtosis: G,.;, =* ~ [ ( x , - X ) 'S " '( X / - X)]*

donde n representa el nm ero total de observaciones; x ( y x. son vectores colum na con los valores de todas las
variables para las observaciones /-sim a y j~sim a, respectivam ente; x es el correspondiente vector colum na
de m edias m uestraies, y S '1es la inversa de la m atriz de varianzas-covarianzas muestra!.

Los estadsticos de contraste z(C, ) y z(G, p) obtenidos a partir de G ^ y G lp se distribuyen asintticam ente
segn una norm al estndar, por io que su interpretacin es sem ejante a la ya com entada para los estadsticos de
asim etra y Curtosis univariante z(G ) y z(G2): valores experim entales que en valor absoluto sean m ayores que 1,96
perm iten rechazar a un nive! de significacin del 5% las respectivas hiptesis nulas de distribucin m uitivariante
sim trica y m esocrtica. Asim ism o, tam bin se puede realizar un contraste conjunto de sim etra y m esocurtosis
m ultivariantes utilizando el estadstico:- i-
+ [ % ,) ] ^

que se aproxim a a una distribucin x con dos grados de libertad y que tam bin se interpreta de form a anloga al
estadstico conjunto k - de norm alidad univarante; es decir, se rechaza la hiptesis nula para valores experim entales
mayores que 5,99 dado un nivel de significacin de! 5%.

3.2.3. A p licaci n
Con e objetivo de ilustrar la com probacin de los supuestos que se analizan en este captulo, se exam inar un
conjunto de datos provenientes de un estudio de campo realizado en los canales de distribucin de productos elec
trnicos dom sticos canadienses en 1989 para el cual se envi un cuestionario a los com erciantes detallistas. De
esta forma, la poblacin inicial estaba constituida por todos los comercios de productos electrnicos dom sticos de
Canad. En total rebasaban los 450 puntos de venta que se repartan en comercios independientes, afiliados o p erte
necientes a una red corporativa y franquciados. En total, se consiguieron 99 respuestas vlidas (43 provenientes de
com ercios independientes, 35 de afiliados y 21 de franquciados).
El objetivo pcrse'guido con el cuestionario era a identificacin de las variables que podran regir las relaciones
entre el m ayorista y el detallista y que podran conducir a la satisfaccin de dichas relaciones y de los resultados
financieros alcanzados por ambos. Para ello, ios encuestados deban responder a un total de 22 cuestiones, cada una
de las cuales constitua una Variable observable. Con el fin de sim plificar et anlisis, en este epgrafe se escogen
ocho de esas variables: b2, b4, e l, d3, d6, e!, f l y f3. La estructura dei cuestionario, as com o las preguntas concretas
incluidas en el mismo, aparecen recogidas en el Anexo 1.
 Capitulo 3 35

A continuacin, se realiza el estudio del supuesto de norm a!idad para las variables im plicadas en dicho estudio
utilizando los program as SPSS, LISREL y AM OS.
La versin 2 det paquete estadstico SP SS slo perm ite estudiar la norm alidad univariante, para lo cual hay que
ir dentro del men A nalizar a E stadsticos descriptivos y despus a Explorar:

F ig u ra 3 .3 . A pertura.de los estadsticos descriptivos.

A parece as una ventana em ergente en la que hem os de pasar al cuadro titulado D ependientes aquellas variables
cuya norm alidad querem os analizar. Asim ism o, vam os a seleccionar en el cuadro M ostrar la opcin A m bos y ai
pulsar en el botn Grficos...

F ig u ra 3 .4 . Seleccin de variables.

A parece otra ventana em ergente en la que sealarem os las opciones N inguno dentro de D iagram as de Caja;
H istogram a dentro de D escriptivos, y m arcarem os la opcin G rficos con pruebas de norm alidad. Pulsam os C on
tinuar y volvemos a la ventana anterior en la que harem os ciic en ei botn Aceptar.

F ig u ra 3 .5 . Seleccin de grficos.
 ?r

36 Modelizacin con Estructuras de Covarianzas en Ciencias Sociales

D entro de los resultados del anlisis realizado, destacarem os, en prim er lugar, una tabla con una serie de es-
tadsticos descriptivos calculados para cada una de as variables seleccionadas, entre los que se encuentran los
coeficientes de asim etra G. y Curtosis G y sus respectivos errores tpicos:
...r, .
b2 - t> - ;; V'o'-'-
...... .'
v -V" fipp Lista ciisico . 76,47 . 64,7'. - -67,14 61 6/ M-,38 ' f4j5 . 69,24 -:S9,76\.
.Mw Jfi ~ .
- -Yi-VO i ,1-ircor t pic .S'rr ' - l,S89- ' '2.071 1*930 . '.- ,> 9 3 - . 1,580 'i ;60.
'inttX'Vi :UV'Kun(itz,; jJ:,. Kstti: tico . Vj.Jd 61 m ' i3,<>- 57,,54 ' 7,4i> .-60,7.0 '66,09 , >66,57
JVstjrfi-jiieo . .?%. 7I}2.S 5,S0 45,27 da m . . 72,-39' .
j^c'^ia'j^cojrtjid^ a i Hti'adi&iso..- T ,A l t>5,3St 67,.7 7 62,41 61,77 ' &5.20.' 09,85
Ksdsst/. 30,00- . 70,00' 70,00 60,00' ' 5,00 *55;oo- 70,0'i ' 7.0,00':
V arianza^-:' /!; jEsraftico . 24,.lS4 353,277 424,817 JSlSH. 38),321 47ij-lS? 24);145 -255,9-81
Vvt p tb . :r' 111! sr.tid ctico: . 2(j,6n' -19,205 19,502 .23,822- .' 5,"S4 ' iiw .
Mmmo:;- j.;. ' . . : :Fis".KiiUcor 30' 0 - (); . 0 .'.1 0 -- ! 10 20

l E s ifw c o - 100 109 - 100 . ' 100 . 100 ' 100 100 . 99 '
.kakiyV--.;; : lstadisdco '70, ; v 00 100 . JO. 90- ' 90 o . "iq . ..

AmpUtuci u t rc u a rtlv jEstatiisiico '* rs."' > 3 0 ' 30'. 25. 25. 35 . . . 20 -! . 20 . ' '

i f i;S".,.dlS,./c.3 -0,?37 > 0 ,6 0 2 - . -0,530 .-0,255 0,370 -0,794 0.7--;

^ s im e tr a 'y ...'-'
"V/ Kmr;c|>ico;: .0/243: L0,243' . 0.-243' ; 0,24, 0,243 . 0,243 . : 0,24j -. .<>443
v--r'i.r. . v .'v ' 0,501. .0,5-
JistaiSistco-,1 $ 7 9 0 ' 0,75)0 < 1 6 8 0,9*9 -rf),24 t.4i6"

I j t lrr^ u p ic q .'; 0,481 : o,wii, ' 0,48'i: '. 0/iS l 0.4P .4S1 o,*; 0,.:W[

T ab la 3.1. Descriptivos.

Dividiendo cada uno de los coeficientes entre su respectivo error tpico hem os calculado los estadsticos s(G)
y z(G,) y, sum ando los cuadrados de estos ltim os, hallam os el valor experim ental del estadstico de contraste
conjunto k 1, siendo los resultados obtenidos los siguientes:

'Contraste'' .el <13/. -.1- st

Asimetra':'*(?,}_.. - 1-2,477 .-;oi." 7-2;;s !.- H i / w | -1.523 3,267 -3-41*1
1Curtosis: .o4/ .' ; J;,542' --0,141 ' ,042.'. '.2,94.4.
|!'onjunto; k ' ; 14,562 1 8,S35..' 4,Q6 .,(j50' 3.403 ' 19,343 . 7 o . '

T ab la 3 .2 .

Como se puede observar, de acuerdo con los criterios especificados con anterioridad para u n nivel de significa
cin del 5%, la hiptesis de sim etra se rechaza para todas ias variables excepto para d6 y el; en cambio, la hiptesis
de distribucin m esocrtica se rechaza slo para d3 y fl. Por su parte, ei contraste conjunto de asim etra y Curtosis,
indica que slo pueden considerarse como norm ales las variables e l, d y el.
La siguiente tabla que se obtiene es la que contiene los resultados de os contrastes de norm alidad de Kolmogorov-
Smimov-LiUiefors y de Shapro-Wilk:

. : Shpir\Vlk . .

T ab la 3 .3 . P ruebas de norm alidad.

 Capitulo 3 37

' Correccin de la significacin de Lilliefors.

T a b la 3 .3 . P ruebas de norm alidad (Cont).

Si nos fijamos en la significacin de ios estadsticos de Kolrnogorov-Smimov-Lilliefors, podem os observar

que en codos los casos son inferiores a 0,05, por lo que se rechazar2 la hiptesis nula de norm alidad de todas las
variables para dicho nivei de significacin. De acuerdo con ese mismo criterio, e contraste de Shapiro-W ilk nos
perm ite rechazar ia hiptesis de norm alidad para todas las variables excepto para d6, si bien es cierto que, como
ya sealam os, este contraste no seria el m s indicado en este caso dado que el tam ao de m uestra es dem asiado
grande (99 individuos). No obstante, si consideram os una significacin del 1%, am bos contrastes dan lugar a que
rechacem os la norm alidad de todas tas variables excepto d3, d6 y el.
Los ltim os resultados que se obtienen de anlisis son ios histogram as y los grficos de probabilidad n o rm al5
de cada una de ias variables seleccionadas, los cuales se recogen a continuacin:

b2 G rfico Q-Q normal de b2

2 -

o -
-3

o 0-
%

-I -
-a
Z
M e a n 76,47
Std. Dsv. i5,696
N 99
4t> 60 0 100
V alor observado

C o n iin a

J Recordar que ia hiptesis nula de un contraste se rechazar siempre que ia significacin o p -vaior asociado al estadstico sea inferior
a! nivei de significacin a t habitual mente fijado en e 5% o en el 1%.
3 Concretamente, ios grficos que genera SPSS con este comando son un tipo especial que se denominan grficos cuantil-cuanti!"
o simplemente grficos q-q'* (en ingls, quantile-quantile pots o q-q plots) cuya interpretacin es similar a la comentada para los
grficos de probabilidad normal.
38 Modelizacin con Estructuras de Covarianzas en Oenciat Sociales

ti G rfico Q-Q normal de d

Mean = <57, i 4
Std.ev. "20,611
N ** 99

d3 Grlico Q-Q norrat de d3

Muan 6 1,67
Sed. Dev. 19,205
N ~ 99

G rfico Q-Q normal de d6

Mean " 6 1 ,3 8
Std. Dcv. 19.502
N = 99

d6

c! G rfico Q -Q norm al de el

Mean = 64,56
Std. Dv, * 21,822
N -9 9

Contina
 Capitulo 3 39

C rtic o Q-Q normrtl de fj

Meun 69.24
S td . D e v . - 1 5 ,7 8 4
N 99

G rfico Q-Q norm al de O

Mean 69,76
Std. Dev. 15,999
N = 99

Figura 3.6. H istogram as de las variables seleccionadas.

A la vista de tos histogram as no parece claro que alguna de las variables tenga una distribucin m uy sem ejante
a la norm al. En cambio, en los grficos q-q de las variables d3, d6 y el parece que e! ajuste a la recta es bastante
bueno, por lo que podran ser norm ales. En cierto modo, esta interpretacin resulta congruente con la obtenida de
los contrastes Kolm ogorov-Sm im ov-Lilliefors y Shapiro-W tlks antes com entados si fijamos com o nivel de signifi
cacin el 1%.
Para contrastar la norm alidad de los datos con el m dulo PRELIS de program a LSREL (versin 8.7), hay que
ir a Output Options dentro del men Statistics,

bo.oo sora
85.00; so.a
70.00? SO.Cj
fiKC&rAntfri,..
99.00 so.a
30,4 Ceaux4 ..
39.001
99,00: 99.a Retytt&x*
logi$te
ProfcitReyaiiOM...
60.00. w.q ...
65,00' oo.a
65.001 30.0
99.00 90.d &}0&.r&pp'r*) ...
99.00! 95.Cjr;
95,00: 50.0)
70.001 60.00 55.00 60.00
90.00 [ 65.00: as.oa*.....90.C0
.MM. ML '65.00" ' SC.CO
Figura 3.7.

y en la ventana em ergente que aparece m arcam os la opcin Perform tests 0/ miritivariate normatity.
40 Modelizacin con Estructuras de Covorianzas en Ciencias Sociales

Figura 3.8.

A continuacin, pulsam os O K y el program a genera una ventana con los resultados siguientes:
U na prim era tabla con m edidas estadsticas de sntesis univariantes para cada u n a de las variables continuas,
entre las que se encuentran los coeficientes de asim etra (skewness) G xy C urtosis (Kurtosis) G2:

Tocal Sarople S i E e * 99

Univariate Summary Statistics for C o n t i n u o u s Variables

Variable Mean St. Dev. T-Value Skewness Kurtosis Mtriitnura F r e q . M x i m u m Freq.

B2 7 6 .4 7 5 15.696 48 . 4 7 9 -0.83? 0 .790 30.000 2 1 0 0 .000 6

B
6*1 .7 7 3 13.796 34.291 -0.602 0. 7 90 0 .000 1 1 0 0 .000 2
C1 67.141 20.611 32 .412 - 0 . 4 90 -0 .068 0.000 1 100.000 6
D3 61.667 19.205 31.949 -0.530 0 .949 0.000 2 100.000 1
D6 61.384 19.502 31.313 -0.255 - 0 .2 43 10 .000 1 100.000 2
SI 64.556 21 .'322 29.435 -0.370 -0 .501 10 .000 2 1 0 0 .000 3
?1 69.242 1 5 .784 43.648 ~ Q . 794 1.416 10 .000 1 1 0 0 .000 2
F3 6 9. 7 58 15.999 43 .332 -0.749 0. 514 20.000 1 99.000 3

La segunda tabla m uestra e! contraste univariante de norm alidad para cada una de las variables consi
d eradas, incluyendo los respectivos valores experim entales de ios estadsticos de contraste de asim etra
y C urtosis univariantes (z-sco re ) y su sp -v alo res asociados, as com o el valor experim ental del
estadstico ti* de contraste conjunto de sim etra y C urtosis univariantes (C h i-s g u a r ) y su correspondiente
p -v alo r'1:

4 Si bien los coeficientes de asimetra G{ y de Curtosis G\ calculados por LISREL coinciden con los obtenidos por SPSS, los valores
experimentales de los estadsticos de contraste z(G), z(02) y k 1 no coinciden con los que obtuvimos anteriormente porque para su
clculo USREL sigue ios procedimientos recomendados por DAgosfino (1986) a los que ya hicimos referencia. No obstante, ios
resultados obtenidos, as como las conclusiones a las que se liega, son prcticamente iguales.
 Capitulo 3 41

Test of Univariase Normalley for C o o t i n u o u s Variables

Skewnass Kurtosis S k e w r e s s ard K u r t o s i s

Variable 2-Scorc P-Valu<a Z-Score P-Value Chi-Square P-Value

32 -3 .200 0 ,0 0 1 1 .515 0 .13 0 12 .5 3 3 0.002

34 -2 .412 0 .01 6 1 .514 0 .13 0 8 .111 0.017
CX -2 . 000 0 .04 5 0 .034 0 .97 3 4 .0 0 3 0 .1 3 S
D3 -2 .14 9 0 .032 1 .712 0 .087 7 ,5 5 1 0 .023
D6 '-1 , 072 0..2 8 4 -0.. 4 1 8 0 .S 7 S 1 .324 0 .SIS
El -1 ,,S 3 7 0..1 2 4 -i..210 0 .22 6 3..8 2 5 0.146
Fl -3 .,0 63 . 002 2 .212 0 .027 14 .,278 0 .0 0 1
F3 -2.,914 0..004 1.. 1 2 6 0.,260 9..7 50 0 .0 0 8

Com o se puede observar, para un nivel de significacin del 5%, la hiptesis de sim etra se rechaza para todas
las variables salvo para d y e l; la de m esocurtosis se rechaza slo para fl y, segn el contraste conjunto de
asim etra y Curtosis, se rechaza a norm alidad de todas las variables salvo e l, d6 y el.
La tercera tabla recoge el contraste m ultivariante de norm alidad que consta de los coeficientes (valu) de asi
m etra G y Curtosis G, m ultivariantes, los respectivos valores experim entales (z-score) de os estadsticos
de contraste z(G { >) y z{<32 p) y sus /j-valores asociados, as como el estadstico de contraste conjunto de
sim etra y Curtosis m ultivariante y su correspondiente p-valor:

Test of Multivariata Norntality f o r Confcinuous V a r i a b l e s

Skewness Kurtosis Skewnesa and Kurtosis

Vala 2-Score P-Value Valu z-score P-Vaiue Chi-Square P-Value

32,497 16.223 0.000 130.5X4 8.449 0.000 334.575 0.000

E n este caso, los contrastes de asim etra y C urtosis m ultivariantes considerados tanto por separado como
conjuntam ente perm iten rechazar la hiptesis nula de distribucin norm al m ultivariante para cualquier nivel
de significacin, puesto que todos ios /avalores asociados a los estadsticos son nulos.
Fina! mente, se m uestran los respectivos histogram as de frecuencias de cada una de las variables, la m atriz
de varianzas-covarianzas, y las m atrices de m edias y de desviaciones tpicas5.
P ara co n trastar a norm alidad m ultivariante de los datos con program a AM OS (versin 4.0), hay que ir a
Analysis P roperties dentro del m en View/Set o bien, hacem os clic en el icono (Analyss P ropertes) de la
barra de herram ientas:

Figura 3.9. C uadro de anlisis de propiedades.

s Omitimos esta parte de los resultados porque esta informacin no resulta necesaria para el estudio de la normalidad de los datos.
 42 Madelizadn con Estructuras de Cavaramos en Ciencias Sociales

Aparece una ventana em ergente y, en la pestaa Output, m arcam os la opcin Tests f o r norm ality a n d outliers.

Figura 3.10. Pantalla de propiedades de anlisis.

Cerram os esa ventana y hacem os clic en el icono jffiU {Calclate estim ates) de la barra de herram ientas para
ejecutar el comando.
Para ver los resultados, podem os ir a Table Output dentro de? m en View/Set o bien, pulsar en ei icono
( View spreadsheets) de la barra de herram ientas. A parece una ventana con los resultados y seleccionam os el cam po
titulado N orm ality dentro de la lista que aparece en la parte superior izquierda de a ventana, m ostrndose as en la
p arte derecha de la ventana una tabla con los contrastes de norm alidad correspondientes.

Tie Assessment o normality

Vab!a Symmtwy mln kurtosls CT, ,
Pc/o/nstaf Smnnojy
Nota lor O o u p 20,000 99,000 0.737 -2,994 0,429 0,371
N otas oiM odel 10,000 100,000 -0,782 -3,177 2,612 Sg
Ourltirfc
10,000 100,000 -0.251 -1,019 Q95 *0,600
0,000 100,000 0,522 2,121 0,54 \ .709 4
10,000 100,000 -0.364 -1,480 0,536 *!,090
0,000 100,000 0,433 -1,961 0,12$ -0,253
0,000 100,000 -0,593 2,410 0.S91 MQ3
30.000 100.000 -0.824 3,348 0,691 1,403 %

52,114 20,49? *:

Figura 3.11.

E sta tabla presenta, para cada u n a de las variables consideradas, los valores m nim o y m xim o, los coeficientes
de asim etra y Curtosis que, en este caso no son C l y Gv sino g, y g , los respectivos valores experim entales
(.critica! ratio o c.r.) de los estadsticos de contraste z(g1) y z(g 2) asociados que, adm itiendo la norm alidad, corre
sponderan a una normal estndar. As, los resultados indican que, dado un nivel de significacin del 5%, todas las
variables excepto D 6 y El tienen una asim etra significativa, y que slo la variable F t se aleja significativam ente de
ia norm al en !o que a la Curtosis se refiere (conclusiones que coinciden con las obtenidas con U SR E L).
En cuanto a la norm alidad rrmltivariante, AM OS proporciona slo contraste para la C urtosis m ultivariante6,
cuya estim acin y valor experim ental, se m uestran ai final de la tabla anterior. La interpretacin de este valor es la
m ism a que en el caso univariante por lo que podem os concluir que, conjuntam ente, las variables presentan una C ur
tosis significativam ente distinta de ja de una norm al m ultivariante.

6 El que AMOS slo permita contrastar la Curtosis multivariante, y no la asimetra, puede deberse al mayor efecto en la validez de
!os resultados que tiene un significativo exceso o defecto de Curtosis de la distribucin conjunta de las variables observadas.
En este sentido. Bollen (1989: p. 416) seala que si la distribucin no es norma! pero es mesocrtica, las propiedades de los estimadores
mximo-verosmiles y de mnimos cuadrados generalizados son las mismas que si se cumpliese la hiptesis de normalidad. Sin
embargo, si la distribucin presenta una Curtosis significativamente distinta de la normal, queda garantizada la consistencia de
los estimadores, pero no su eficiencia asnttica. ni serian adecuadas las matrices de covarianzas para los test de significacin
individual de los parmetros, ni se podran aplicar los tests X de ajuste gfoba! dei modelo, puesto que los estadsticos de contraste
no seguiran asintccamente esta distribucin.
 Captulo 3 43

Por ltim o, hemos de sealar que ia diferencia en el estadstico de Curtosis m ultivariante y en su valor ex
perim ental segn sea obtenido con LISREL o con AM OS se debe a que cada uno de estos program as utiliza un
estadstico diferente para realizar el contraste de h ip tesis7. N o obstante, las conclusiones a que se llegan con uno y
otro procedim iento suelen ser muy sim ilares (como se puede com probar, en nuestro ejemplo son iguales).

3.3. L in ea iid a d
Este supuesto se refiere a que las relaciones entre distintas variables sean iineales. El m todo ms com nm ente
utilizado a la hora de exam inar la estructura de las relaciones entre distintas variables es el grfico de dispersin,
el cual representa los valores para cada dos variables. En dicho grfico, cada variable se representa en un eje y el
patrn seguido por los puntos representa la relacin entre dichas variables, de tal forma que si los puntos siguen una
lnea recta, 1a com binacin de las dos variables es lineal. C uando los puntos siguen una lnea curva, representan una
relacin no lineal y cuando no siguen ninguna estructura aparente, se pone de m anifiesto la no existencia de relacin
alguna entre las dos variables.
Cuando el investigador se enfrenta a muchas variables, la form a m s eficiente de com probar el supuesto de
lineaiidad es utilizar a opcin m atricial del grfico de dispersin en la cual se representan los grficos de dispersin
correspondientes a todas las posibles com binaciones de variables. Para elo, en SPSS, se debe ir a Dispersin dentro
de! m en de Grficos y elegir la opcin matricial;

F ig u ra 3 .! 2 . M ando de anlisis de la dispersin.

A parece una ventana em ergente donde se debe elegir las variables sobre las que se quiere realizar el grfico. En
nuestro caso, se eligen todas aquellas im plicadas en el estudio:

F ig u ra 3.13. Diagram a de disperisin m atricial, seleccin de variables.

7 En Bollen (1989: p. 424) se pueden encontrar sendas listas con la expresin de los estadsticos de contraste.
44 Modelizacin con Estructuras da Covarianzas en Ciencias Sociales

.<-4
i-O - f 'W 'W-
X* '4-
'z >0 W- mw J0 W
;0 0 J#

!5g m . ' 1 M. ,g- M; d t

: 0 w $ *t
!
F M 0 & 'M*
c
* .* * M.
1
......b2 fc>4 e
l d3 d6 el fi ... 3 J
Figura 3.14.

Se pulsa en Aceptar y el program a estadstico proporciona el grfico de dispersin en form a m atricial, tal y como
se m uestra a continuacin. Com o se puede observar, los grficos de dispersin parecen indicar que existe cierto
grado de nealidad en las relaciones existentes entre las variables, ya que los puntos, en cada uno de ellos, estn m s
o m enos situado alrededor de una recta, si bien algunos casos, como parecen mucho m s claros que otros,
p o r ejemplo b2-f3.

3.4. V a lo re s atp ico s

Los valores atpicos (en ingls, outliers) son individuos que presentan un valor o com binacin de valores en la(s)
Variable(s) observada(s) que les diferencia claram ente dei grueso de las observaciones. Estos valores pueden apa
recer por diversas razones, como errores de procesam iento y/o codificacin de los datos, como consecuencia de
una situacin extraordinaria o pueden deberse a causas desconocidas. D ado que ciertos valores atpicos que
se denom inan observaciones influyentes pueden provocar una im portante distorsin en los resultados de los
anlisis, se hace necesario exam inar tos datos para detectar su presencia, estudiar la influencia que ejercen y, en
caso de tratarse de observaciones influyentes, estudiar cules son las causas que los originan y decidir en cada caso
si se deben retener o excluir del anlisis. En este sentido, la deteccin de los valores.atpicos se puede realizar desde
un a perspectiva univariante o m ultivariante.
Desde un punto de vsta univariante, una prim era aproxim acin se puede realizar utilizando los denom inados
diagram as de caja. Para obtener estos grficos, utilizando el program a SPSS, hem os de ir a D iagram as de caja
dentro del men Grficos; aparece una ventana em ergente y seleccionam os la opcin sim ple e indicam os que los
datos de! grfico son resmenes p a ra distintas variables:

F ig u ra 3.15. D iagram as de caja.

 Capitulo 3 45

Vamos a definir y aparece una nueva ventana; seleccionam os como variables a representar aqullas que son
objeto de estudio y, si tuvisem os alguna variable de identificacin de ios individuos (en este ejem plo no existe), la
incorporaram os al cam po etiquetar los casos mediante; pulsamos aceptar y obtendrem os ios resultados.

F ig u ra 3 .1 6 . D iagram as de caja, seleccin de variables.

En prim er lugar, se obtiene una tabla resum en con el nm ero (y porcentaje) de casos vlidos, perdidos y el total
para cada un a de las variables y, a continuacin, tendrem os la siguiente representacin grfica con los distintos
diagram as de caja de cada una de as variables que aparecen identificadas en el eje de abscisas (en ordenadas se
sitan los valores de la variable).

J-

80

60

40

20 o96

o97 o 79
o95
0 o95 oS0 o97
........ ....... i i i....................... i r
b2 b4 cI <13 <16 el fi f3

F ig u ra 3.17. R epresentacin grfica de los diagram as de caja.

L os valores atpicos de cada variable aparecen representados como pequeos crculos, si la distancia a la que
estn por debajo del borde inferior de la caja que es el prim er cuartil (O ,) o por encim a del borde inferior de la
caja que es el tercer cuartil ( 0 3) es entre 1,5 y 3 veces la longitud de la caja; es decir, el rango intercuarciico
(Q 3~ ?(); o com o asteriscos, si esa distancia es m s del triple de dicho rango. Tanto unos como otros aparecen
etiquetados con el nm ero de caso o con el valor de variable de identificacin que hayam os seleccionado.
En e ejem plo con que estam os trabajando, observam os que son atptcas las observaciones 4 2 ,2 9 ,2 2 , 69 y 30 en
la variable b2; la observacin 95 en b4; la 80 en la variable cJ; las observaciones 95 y 97 en d3, y las observaciones
97, 79 y 96 en las variables d 6, fl y f3, respectivam ente. A sim ism o, com probam os que la variable el no presenta
ningn valor atpico.
Un m todo com plem entario consiste en tipificar todas las variables de m anera que todas tengan media 0 y
desviacin tpica 1. A s, se consideraran valores atpicos aquellos que, una vez tipificados, son en valor absoluto
superiores a 2,5 si la m uestra es m enor de 80 o a un valor entre 3 y 4 - para m uestras mayores.
46 Modelizacin con Estructuras de Cavaramos en Ciencias Socio/es

Aplicando este mtodo a nuestro ejemplo, encontraram os tos valores atpicos que aparecen en ia rabia siguiente
(que no aparece completa), sealados en rojo los que son superiores a 2,5, y resaltados en am arillo los que son
m ayores que 3).

T a b l a 3 .4 .

J
 Capitulo 3 47

Si com param os os resultados obtenidos por este mtodo, verem os que no existen muchas diferencias con los
logrados utilizando diagram as de caja.
Desde ei punto de vista m ultivariante, a deteccin de los vaiores atpicos se realiza utilizando la denom inada
distancia de M ahalanobis, que es una m edida estadstica de la distancia m ultidim ensional de un individuo respecto
al centroide o m edia de las observaciones, y que viene dada por la siguiente expresin;

d ; = (x, - x y S 'U x , - x )

donde xi es el vector colum na con ios vaiores de todas las variables para la observacin /-sim a; respectivam ente,
x es el correspondiente vector colum na de m edias m ustrales y S"' es la inversa de la m atriz de varianzas-cova-
rianzas muestral. Esta distancia tiene interesantes propiedades8 estadsticas que perm iten construir pruebas de
significacin de la excentricidad de las observaciones. As, ejecutando la opcin Tests f o r norm ality and outliers
del program a AM OS (a la que ya hicimos referencia cuando habam os de ia norm alidad m ultivariante) y sealando
el cam po titulado Outliers dentro de la lista que aparece en la parte superior izquierda de la ventana de resultados,
obtenem os la tabla siguiente:

O fe sa n o lio o * fc v th a sl ffom to o c e n t r a d {M ahitanobJ* dJsla nc o)

fQWi w Gaavp | : MafMHortobs

NawiipiModd f
?<!??n.B>iV............ - 9? 44,343 0.000 0.000
08 45.982 0.000 0.000
n 32.773 0,000 0.000
9$ 3t,30> 0,000 0,000
so 30.047 0.000 0.000
30 19.230 0.0M 0.002
7a 18.590 0.017 0.002
91 18.47 0.01 8 0.000
92 17.837 0.022 0.000
93 \ 7.236 0.026 0.000
S 0.0AA 0.004
22 13,769 0.040 0.002
37 14.74S 0.0C4 o.o n
70 14,30* 0.074 0.015
6 <3.45$ 0.097 o.oss
29 13,1 as 0.107 0.C&3
42 12.621 0.M8 0,073
*9 *2.642 0.123 0,050
94 12.412 0,134 0.065
nz 12.54? QMS 0.074
20 11.793 0.161 0.(07
30 H.73S 0.f&3 0.077
15 10.763 0.215 0.377
3 10.567 0.227 0.399
37 9.540 0.299 0.309
10 9,08* 0.335 0.951
2 $.984 0.345 0,950
C..940

F ig u ra 3.28. A nlisis de la norm alidad.

Esta tabla contiene una lista con todas las observaciones ordenadas, de mayor a m enor, segn su distancia de
M ahalanobis al centroide. Las dos colum nas siguientes contienen sendos /?-valores con la significacin de esas
distancias, asum iendo la existencia de norm alidad m ultivariante, desde dos puntos de vista.
As, para la observacin m s alejada, ia nm ero 97, la colum na p \ m uestra la probabilidad de que una observa
cin cualquiera se encuentre a una distancia de M ahalanobis m ayor o igual que 44,343. En cam bio, la colum na p2
indica la probabilidad de que la observacin m s alejada del centroide se encuentre a una distancia de M ahalanobis
m ayor o igual que 44,343. Para la siguiente observacin la segunda m s alejada del centroide, la nm ero 96 p
indica 1a probabilidad de que un individuo cualquiera est a una distancia mayor o igual que 43,962; m ientras que,
p2 m uestra la probabilidad de que e! segundo individuo m s lejano del centroide est a una distancia mayor o igual
que 43,962. El resto d e p -valores se interpretaran de forma anloga.
Lgicam ente, los valores d e p \ aum entan a medida que vamos descendiendo en la lista (nos acercamos ms al cen
troide) m ientras que no sucede lo mismo con los valores de p2. Por otro lado, mientras que, en cierta medida podemos
esperar encontrar algunos valores pequeos de p \ \ sin embargo, si los vaiores de p2 son tambin muy pequeos, esto
indicara que esas observaciones estn improbablemente lejos del centroide bajo la hiptesis de norm alidad multivari
ante. En cualquier caso, Hair eta l. (1999: p. 58) sugieren que dada la naturaleza de los tests estadsticos, (...] se use un
nivel muy conservador, quiz 0,00 1, como valor umbral para la designacin como caso atptco.

* Cabe destacar que es invariante a cambios cic escala, es eucldea, est normalizada y tiene en cuenta las correlaciones entre las
variables; es decir, a redundancia entre (Sstas. Una explicacin ms detallada se puede encontrar en Cuadras (1988: pp. 306-308).
48 Madelizacin con Estructuras de Covarianzas en Ciencias Sociales

De acuerdo con este criterio, en nuestro ejemplo podram os considerar com o atpicas las observaciones n m e
ro 97, 96, 79, 95 y 30, ias cuales ya se haban revelado com o outiiers al aplicar ios procedim ientos u nivariantes
am es indicados*.

3.5. E l re -e s c a la m ie n to d e d a to s c o n tin u o s d istrib u id o s a n o rm a lm e n te

El punto de partida de este epgrafe es poder presentar el tratam iento de datos distribuidos anorm alm ente en escalas
continuas (Saris, 1982; Bentler y Yuan, 1998),
E nico m todo presentado hasta ahora a los investigadores es que exige transform ar ia m atriz de correlaciones
de Pearson en otra m atriz con una particin poserial y/o pol terica (Jreskog, 1986) y en una segunda fase som eter
la nueva m atriz al proceso de optim izacin A G L S10 (Asymptotic G eneral Least Squares: Bentier y W u, 2002) o al
procedim iento A DF (Asym ptotically Distr'tbution Free Procedure: Steiger y H akstian, 1982) teniendo en cuenta el
program a utilizado (Sharm a, D urvasula y Dillon, 1989).
Los datos procedentes de cuestionarios se suelen considerar-com o datos ordinales. C uando no se distribuyen
norm alm ente, se sugiere someterlos (la m atriz de correlaciones de Pearson) a ciertos program as com o el P R E L IS 11
(Jreskog, 1990) o el EQS (Bentler, 1993) que transform ar la m atriz de correlaciones de Pearson en una nueva
m atriz de correlaciones poliseriales o policrcas. L a particin policrica calcula um brales y re-equilibra los datos
(los vuelve a centrar), perm itiendo as u n m ejor ajuste con los m todos de optim izacin tradicionales.
Si los datos se presentan en una escala continua, existen m s probalidades de incurrir en una situacin de an
orm alidad (Bagozzi, 1982; B entler y W eeks, 1980; Lee, Poort y Bentler, 1995). P resentarem os a continuacin datos
no-norm ales que, sin embargo, se ajustan bien a los m todos de optim izacin tradicionales (M cDonald, 1984) y se
transform arn a continuacin los datos, las escalas y las m atrices (M ardia, i 970).
Los datos provienen de un extenso cuestionario (L vy M angin, 1997, 1999) y sern presentados en una escala
continua con puntuaciones de 1 a 100, correspondientes a las m inm a y m xim a ponderacin.
Inicialm ente, los datos sern considerados como continuos y los ndices de ajuste sern calculados en funcin de
los m todos de optim izacin M L (M xim a Verosim ilitud), GLS (M nim os C uadrados G eneralizados), ADF (D istri
bucin Asim pttica Libre) o AGLS (M nim os Cuadrados A sym ptticos Generales) (Brow ne, 1984; A rbucke, 1995;
Bentler y Yuan, 1998, 1999).
En una segunda etapa, los datos sern parcialm ente re-escalados en una escala de 1 a 5 puntos, m ientras que
otros quedarn en la escala original (en 100 puntos). Los nuevos datos sern luego som etidos al procedim iento de [a
prim era etapa, agregando la optim izacin robusta de Satorra-Bentler.
En la tercera etapa, los datos parcialm ente re-escalados sern transform ados: la m atriz de correlaciones de
Pearson ser transform ada en una m atriz poliserial y policrica y som etida a los procedim ientos ya clsicos de
optim izacin (M L, GLS, AGLS y Robusta).
En la cuarta etapa, todos los datos sern com pletam ente re-escalados, ajustados y analizados segn los proced
im ientos clsicos de optim izacin.
Por ltimo, los datos y tas m atriz de correlaciones de Pearson ser transform ada en una m atriz de correlaciones
policrcas que ser sometida a los cuatro procedim ientos clsicos de optim izacin.

3.5.1. Im p lem en ta ci n
Para mplementar una taxonom a se ha escogido una base de 99 datos con ocho variables (b2 to f3) (L vy M angin,
1997, 1999) no distribuidas norm alm ente. En la tabla siguiente se puede observar que las variables f3, f l, d3, b4 y
b2 presentan una cierta asim etra con ratios crticos superiores a -1,96. Para la C urtosis los ratios parecen norm ales
exceptuando a 1a variable fl.
Los datos provienen de un cuestionario adm inistrado en una investigacin anterior. Se us un anlisis factorial
con tres variables latentes: PS (Product Satisfaction, satisfaccin con el producto) con cuatro indicadores, b2, b4,
el y el; R {Rebates, descuentos) con dos indicadores d3 y d6; SP {Satisfaction o f Performance, satisfaccin con el
resultado) con dos indicadores f t y f3.

9 Para un estudio ms detallado de los mtodos de deteccin de valores atpleos y su tratamiento se recomienda la lectura de Hair et
ai. (1999: pp. 57-61).
I(> Asymptotic General Least Squares.
11 Pre-proccssor to LISREL.
 Capitulo 3 49

Assesscnenc of r.ormality

rain aaz skew c .r . kur iosis c .r'2

3 20,000 99,000 -0,737 -2,994 0 429 0, 871

1 10,000 100,000 -0,782 -3,177 1 286 2, 612
d6 10,000 100,000 -0,251 -1,019 -0 295 -0,600
d3 0, 000 ioo,ooo -0,522 -2,121 0 341 1, 709
si 10,000 ioo,ooo -0,354 -1,480 -0 536 -1,090
el 0, 000 100,000 -0,-183 -1,961 -0 125 -0,2 53
b4 0, 000 100,000 -0,3 93 -2,410 0 691 1, 403
b2 30,000 100,000 -0,324 -3,348 0 691 1, 403
Mutivarate 52 114 20,497

3 .5 .2 . A ju ste d e d atos co n tin u o s

Como se ha explicado anteriorm ente, los datos se presentarn en una escala continua ele 1 a 100 para todas las
variables. Los ajustes se harn segn los m todos de optim izacin M L, GLS y AGLS.
El tam ao de la m uestra es de 99 entrevistados y se analizar la C hi-cuadrado como ndice de ajuste, La proba
bilidad del ajuste ir de 0, para un mal ajuste, a 1 , para uno muy bueno.

T a b la 3.5 . A juste para datos continuos con los mtodos

M L , GLS y AGLS (Probabilidad de la Chi-cuadrado).

Los tres m todos son muy significativos para l - alpha = 0,05.

3 .5 .3 . D atos p a rcia lm en te r e -e sc a la d o s
En a segunda etapa de este procedim iento, los datos han sido parcialm ente re-escalados: las variables b2 a d6
quedan continuas en una escala del 1 al 100; m ientras que, f 1 y f3 se vuelven ordinales en una escala de I (ms baja
puntuacin) al 5 (m xim a puntuacin). La nueva escala se fundam enta en criterios subjetivos; las puntuaciones del
1 al 20 en la antigua escala corresponden al 1 en la nueva; las puntuaciones del 21 al 40 corresponden a 2; las del 41
al 60 a 3; las de 61 a 80 ai 4, y las superiores a 80 al 5.
Los datos re-escalados son m s hom ogneos y as varianzas de las variables ms ceidas.
Los nuevos datos re-escalados han sido ajustados a los tres m todos tradicionales de optim izacin, M L, GLS
y AGLS.

Mtodo - m ; ir s AC
,
Prhilbtllai. . -0.317 ! <>'

T a b la 3 .6 . A juste para datos parcialm ente re-escalados con los

m todos M L, GLS y AGLS (Probabilidad de la Ch -cuadrado).

Los tres m todos son muy significativos para 1 alpha - 0,05,

3.5.4. R e-esca la m ten to parcial d e Jos d a to s con p a r ticio n es poiiserial y policrica

An con datos re-escalados podem os observar que quedan tres variables (fl (--2,99), O (-3,17) y b2 (2,61)) que no
responden al test de norm alidad univariable para la asim etra (skewness) segn el Test de Student (Critical Ratio,
superior a 1,96).
El Test de Student para la Curtosis de la variable fl tam bin m uestra una anorm alidad significativa.

12 T de Student.
SO Modelizacin con Estructuras de Covarianzas en Cencas Sociales

Assessment of normality

min max skew c r. kurtosis c -*

3 20 .000 99 0 0 0 -0 73*? -2 994 0 429 0 871

a 10.000 100 000 -0 7 8 2 -3 177 1 286 2 612
dS 1.000 5 000 0 141 0 571 -0 210 -0 427
d3 1.000 5 000 0 142 0 578 -0 346 -0 70 3
el 1.000 5 000 -0 184 -0 7 4 7 -0 7 9 6 -1 616
el 1 .0 0 0 5 000 0 014 0 058 -0 693 -1 408
b4 1 .0 0 0 5 000 0 121 0 4 90 -0 313 -0 635
bZ 1.000 S 000 -0 5 6 0 ~z 277 0 264 0 536
Multivariate 37 4 3 0 14 721

Incluso despus de haber re-escalado los datos se puede todava observar que quedan tres variables no-or males; se
trata de de las variables f l, f3 y b2. cuyas T de Student para el ndice de asim etra son de (-2,99), (3,17) y (2,61).
Con motivo de re-equiiibrar la m atriz de correlaciones de Pearson, se ha llevado a cabo una transform acin
poliserial y polcrica.
Una vez llevada a cabo esta transform acin, el program a calcula cuatro um brales objetivos para cada variable
(en este caso, V6 que corresponde a la variable d6) con los estim adores y los errores estndar correspondientes a la
particin poliserial de las dos variables continuas V7 y VS (f 1 y f3). La inform acin correspondiente a la correlacin
poliserial se presenta en las salidas de ordenador (antes de las salidas con inform acin policrica) con los um brales y
los estim adores de la correlacin poliserial de !a variable categrica (aqu V6, o sea, d6) con las variables continuas
(V7 y V 8, f l y ).

RESULTS OF POL'fSERIAL P A R T I T I O N (JSING V 6 -- 5 C A T S G O R I E S

THRESHOLDS

ESTIMATES STO. ERR

-1 . 1 6 6 3 .1596
-.3852 .1229
.4055 .1243
1 .6 174 .2126

ESTIMATES

VARIABLE COVARIANC STO. SRR CORRE LATION STD. ERR

V 7 .3493 .0901 .3493 -0901

V 8 .3738 .0877 .3738 .0877

Un proceso sim ilar se llevar a cabo con cada variable categrica (V I a V6, b2 a d 6) antes de obtener inform acin
sobre los estim adores de correlacin policrica. En una etapa subsecuente podrem os hallar los um brales m edios de
ias variables VI a V6 correspondientes a una particin policrica, as como la m atriz de correlaciones pocricas
entre las variables VI a V6 (b2 a d6).

T a b la 3.7. Ajuste para datos parcialm ente re-escalados con particin

poliserial y policrica segn los m todos de optim izacin M L, GLS, AGLS
y Robusto de Satorra-Bentler (Probabilidad de ia Ch i-cuadrado).

La nueva m atriz de correlaciones se ha som etido a los tres m todos de optim izacin tradicionales y al mtodo
Robusto Satorra-Bentler. Se puede observar que los mtodos m as significativos son el Robusto, el AGLS y el GLS
para una probabilidad de l - alpha > 0,05.
 Captulo 3 St

R E S U L T S O F POI-rCHORIC P A R T I T I O N

A V E R A G E THRESHO.DS

V 1 -1 8689 -1.1617 -.1430 1 .2206

V 2 -1 6166 -.4701 .6334 1 .6549
V 3 -1 5 4 21 -.4369 .4026 1 .4724
V 4 -1 4455 - .2311 .8679 2 .0923
V 5 -1 3138 -.2551 .9023 1 .9190
V 6 -1 1671 -.4020 .4034 1 .6342

POLYCHORIC CORRELATION MATRIX BETWEEN DISCRETE VARIABLES

V 1 V 2 V 3 V 4 V 5 V 6
V I 1 .00 0
V 2 .50 7 1 .000
V 3 .46 6 .494 1.000
V 4 .45 3 .493 .537 1.000
V S .41 3 .433 .401 .664 1.000
V 6 .63 0 .435 .6 4 2 .568 .6 2 3 1 .0 0 0

3 .5 .5 . A ju ste d e d a to s ord in a les c o m p le ta m e n te r e -e sc a la d o s

En esta seccin los datos continuos han sido com pletam ente re-escalados para convertirse en ordinales. Todas ias
variables han sido m odificadas (b2 a f3) y ia nueva escala se ha transform ado com o anteriorm ente.
L os nuevos datos parecen en orden y prcticam ente todas las variables podran ser consideradas como norm ales
(el ndice de sim etra de b se sale un poco de la regla con una T de Student de -2,27).

Assessntenfc o f norwality

min max skew c .r . kurcoss c .r .

3 1.000 5.000 -0.325 -1.320 0.203 0.412

1 1.000 5.000 -0.080 -0.324 0.302 0.613
d6 1.000 5.000 0.141 0 .571 -0.210 -0 .427
d3 1.000 5.000 0 .142 0 .578 -0 .346 -0.703
el 1.000 5.000 -0.184 -0.747 *0 . 7 9 6 -1.616
el 1.000 5.000 0.014 0.058 -0.693 -1.408
b4 1.000 5.000 0 .121 0 .490 - 0 .313 -0.635
b2 1.000 5.000 -0 .560 -2 .277 0.264 0 .536
M u ltiv a c ia te 27 .440 10 . 7 9 2

3 .5 .6 . D a to s ord in ales c o m p le ta m e n te re -esca la d o s

La tabla siguiente presenta Jos distintos ajustes (todos excelentes) segn ios tres mtodos de estim acin clsicos. Los
tres arrojan resultados significativos para una probabilidad de 1 aipha > 0,05.

T a b la 3 .8 . A juste para datos ordinales com pletam ente re-escalados

con los m todos M L, G LS, AGLS (Probabilidad de la Chi-cuadrado).

E! mtodo de optim izacin GLS arroja m ejores resultados que el M L o el AGLS. Los ajustes presentados en la
Tabla 3.8, m uestran que los datos (ordinales) com pletam ente re-escalados perm iten m ejorar los ajustes.
52 Modelizacin con Estructuras de Covarianzas en Ciencias Sociales

3.5.7. D atos ord in ales c o m p le ta m e n te re-esc a ia d o s con p articin p olic rica

Com o consequencia del re-escalam iento a datos ordinales, la distribucin se volvi m s norm al. En el caso en que
esto no ocurriera, sera posible llevar a cabo una tranform acin policrica de la m atriz de correlaciones de Pearson
y luego som eter la nueva m atriz policrica a un ajuste AGLS.
La salida de ordenador arroja los estim adores para los cuatro um brales (m edias y correlaciones de la m atriz
policrica). L a m atriz ha sido som etida a los cuatro m todos de optim izacin (incluyendo el Robusto de Bentler- Sa-
torra). Si los datos fueran todava anorm ales, el mtodo de optim izacin AGLS debera ajustarlos correctam ente.
Para m uestras pequeas (inferiores a 100) se sugiere optim izar con el mtodo de ajuste Y uan-Bentler (Yuan-
B entler C hi-square, 1998; Yuan-Bentler AGLS F Stadstic, 1999).

RESULTS OF POLYCKORIC PARTITION

AVERAGE THRESHOLDS

V I -1 6402 -1.0168 -.1252 1.0668

V 2 -1 4172 -.4096 .5534 1 .4477
V 3 -1. 3 5 1 2 -.3821 .3538 1.2874
V 4 -1 2 6 6 7 - .2015 .7601 1.8275
V 5 -1. 1 5 2 3 - .2222 .7913 1. 6 7 3 7
V S -1 0 2 0 5 -.3521 .3523 1.4311
V 7 -1 6365 -.7543 .4998 1 .5413
V 8 -1 6272 -.3333 .3522 1.6444
P O L ' / C H O R I C C O R R E I . A T I O N M A T R I X B E T W E E t D I SCRJSTE V A R I A B L E S
V X V 2 V 3 V 4 V 5
V 1 1.000
V 2 .5 0 7 1 .0 0 0
V 3 .466 .494 1.000
V 4 .4 53 .4 95 .537 1 .0 0 0
V 5 .413 .433 .481 . 664 1 .000
V 6 .6 3 0 .4 3 5 .642 .5 6 8 .623
V 7 .395 .452 .3 3 7 .317 .341
V 8 .3 5 0 .371 .426 .337 .261

V 5 V 7 V 8
V 6 1 .0 0 0
V 7 .4 1 6 1 .000
V a .414 .812 1.000

MUnto ML". G1.S j - A t n *

- Prliabnulai 0,0*9(54.. 0, 07V ! 0,3^ 19-

Tabla 3.9- Ajuste para datos ordinales com pletam ente re-escalados
con particin policrica y ajustados segn ios m todos de optim izacin
M L, GLS, AGLS y mtodo Robusto (Probabilidad de la Chi-cuadrado).

El procedim iento Robusto es, sin lugar a dudas, ei m s significativo para una probabilidad de 1 alpha > 0,05,
seguido por el AGLS (GLS y ML son tam bin significativos, pero a un nivel inferior).

3 .5 .8 . D iscusin
Finalm ente, se definen algunos criterios para intentar clasificar los distintos mtodos.
El prim er criterio es el de m ejor ajuste de datos que no responden al criterio de norm alidad, teniendo en cuenta
que la m uestra es bastante lim itada y que hay que ejercer cierta prudencia antes de querer genaralizar. Con soo 99
casos vlidos se usara el ajuste de a C hi-cuadrado y la probabilidad asociada.
 Capitulo 3 53

Se puede observar que los datos continuos no norm ales se ajustan bascante bien con os tres mtodos de optim i
zacin, particularm ente con el GLS y el AGLS.
St el m ayor ajuste es el criterio nico, no hay duda de que lo datos parcialm ente re-escalados con particin poli-
sena! y policrica arrojan los mejores resultados, una vez ajustados con los m todos Robusto y AGLS (tratam ientos
3 y 5 para los mtodos AGLS y Robusto; tratam iento 4 para ios m todos M L, GLS y AGLS, y tratam iento 5 para e
mtodo Robusto).

' Mtodos

' - . _ Datos y IVntHiiierita' : : GLS.V , AG.S-.

I/Qtos'continuos- . ;o, sv
2. Datos pcnliutMi najriiihnit-: i-e-uscrtiaJs o.;u5 .- 6,.>17 . A.359 . '
3: pas-coatinuos oacc <fc1:j;cr;:c r^-cs,ikkio;:- a coa
.0,0271 .0,0<b) 0,75745. 0,990S>:,
;rnstbr:n:ioin y.pltorica : .
r- Ditos cuariusis c o m p f rV tt- e o w i'a d o s .a crdioaos 0,547 ...
5. bafos-coistUicA coinptramcnitt r-asc.it'.idos i.ardanlos ;oou "
ui j'VLvOii.n , .,
0.496A

T a b la 3 JO . Ajuste para todos los m odelos con optim izacin M L, GLS, AGLS y Robusta
(Probabilidad de la Chi-cuadrado).

El mtodo AGLS corresponde a un mtodo GLS con distribucin arbitraria para m uestras de tam ao im portante.
Los estudios em pricos m uestran que existen otros mtodos que ajustan mejor para m uestras de tam ao mas pe
queo. Los estadsticos AGLS de Y uan-Bentler, AGLS C orregido de Yuan Bentier (1997) y el test F tam bin de
Y uan-Bentler (1999) son m s adecuados y m s fiables.
Podemos observar que tanto ios estadsticos como las probabilidades de la x han aum entado significativamente.

".i: 1);it(>s su tti h iispa i'Vt ri h n t 5 Ds tosco n i iniio sccifti it;t i irii
tftvn '(raiistortaci : . .rc7fi>e:il.'f0s'a un'
".filiscVl y. p lc n ca;'. <^rasfortfca'policdirjca^-: 1;
' Estadstico'xl de
' V vV ,o,#8V ..:;,-/ '. . 0,5.4922' ' y '
Y'uau-'Benh'r. citrregdu '
* Estadstico F
\ .0,86360 ' ' ' 0,55981'
_ 'VualttnUt,r C(Htk"U

T a b la 3 .I I . Estadsticos de Y uan-Bentler con mtodo de optim izacin AGLS

(Probabilidad de la C hi-cuadrado y de la F).

L os mejores tratam ientos consistiran primero en un re-escalam iento parcial de los datos y en la transform acin de
m atriz de correlaciones de Pearson en una matriz con particin poiserial y policrica (tratam iento 3) usando el mtodo
de optim izacin Robusto. Luego, tambin sera interesante re-escalar todos los datos de continuos a ordinales (aqu en
cinco puntos) con una transform acin policrica (tratam iento 5) usando el mtodo de optimizacin Robusto.
Escogiendo los estadsticos de Yuan-B entler para muestras pequeas, el tratam iento 3 dara mejores resultados
que el 5 (aunque estos seran tam bin muy aceptables).
E! segundo m ejor tratam iento consistira en re-escalar los datos continuos a una escala ordinal (aqu en
cinco puntos); en este caso, los m todos de optim izacin m s significativos seran el GLS y el AGLS. El re
escalam iento de los dato s los convierte en norm ales y ios tres m todos, M L , GLS y AGLS, ajustan bien los datos
(tratam iento 4).
Tambin se podran re-escalar com pletam ente los datos, transform ar a m atriz de correlaciones de Pearson en
una m atriz policrica y usar el mtodo de optim izacin Robusto que ajusta tos datos bastante bien (tratam iento 5).
Para las m uestras pequeas se podran utilizar los estadsticos de Yuan-Bentler (tratam iento 3 y 5). El tratam iento
4 es tam bin bastante interesante.
El tratam iento l, que consistira en no hacer nada, tam bin sera una opcin, ya que los ajustes son bastante
buenos. El tratam iento 2 tam bin da buenos resultados.
54 Modzlizacin con Estructuras de Covarianzas en Ciencias Sociales

Isa rio

Asim etra:
Rasgo caracterstico de la forma de una distribucin de frecuencias (o de probabilidad) que se presenta
cuando los valores que estn a la m ism a distancia de !a media no tienen igua! frecuencia (o probabilidad); se
puede distinguir entre asim etra a la derecha o positiva, cuando los valores bajos de la variable son los m s
frecuentes o probables, y asimetra a la izquierda o negativa, en caso contrario.
Curtosis:
Rasgo caracterstico de la forma de una distribucin de frecuencias (o de probabilidad) que se refiere al
grado de apuntam iento de la m ism a en com paracin con la distribucin norm al; se puede distinguir entre
leptocurtosis o curtosis positiva, cuando la distribucin es ms apuntada y con colas m enos gruesas que la
norm al; curtosis negativa o platicurtosis, si es m s aplastada y con colas m s gruesas que ia distribucin
norm al, y m esocurtosis si es igual de apuntada que la norm al.
D iagram a de cajas:
Representacin grfica en la que se m uestran ios tres cuartiles de una distribucin y que perm ite detectar ia
existencia de valores extremos.
D iagram a de dispersin:
G rfico bidimensional en el que se representan, en sendos ejes de coordenadas y por m edio de puntos,
Jos pares de valores correspondientes a las m ediciones de dos variables cuantitativas observadas sobre un
conjunto de individuos.
Distancia de M ahalanobis:
M edida estadstica de la distancia m ultidim ensional de un individuo respecto al centroide o media de las
observaciones que se caracteriza por tener en cuenta las correlaciones entre las variables, elim inando as las
redundancias que puedan existir entre stas.
G rfico de probabilidad normal:
Representacin grfica que consiste en enfrentar, en un mismo grfico, los valores observados frente a los
tericos que se obtendran de una distribucin norm al, de m odo que, si la variable se distribuye segn una
norm al, los puntos se concentrarn en torno a una lnea recta.
Histogram a:
Representacin grfica de la distribucin de frecuencias de una variable cuantitativa en ia que los datos estn
agrupados en intervalos,
Outliers o valores atpicos:
Son individuos que presentan un valor o com binacin de valores en la(s) variable(s) observada(s) que les
diferencia claram ente del grueso de las observaciones.

B IB L IO G R A F A

A RB U CK LE, J. (1997): Amos User's Guide. Versin 3.6. SPSS Inc., Sm ailW aters Corporation.
BAGOZZI, R. P. (1980): Causal Models in Marketing. New York: John W iley and Sons Inc.
(1982): Causa! M odeling. Speciai ssue, Journal o f M arketing Research (Novembcr).
(1991): Structural Equation Models in M arketing Research. Chicago A m erican M arketing Association.
BEN TLER, P. M. y BONNET, D. G, (1980): Significance Tests and G oodness of Fit in the Analysis of Covariance
Structures. P sych oh gical Bulletin, 88, pp. 588-606.
BEN TLER, P. M. y W EEKS, D. G. (1980): L inear Structural Equations w ith Latent Variables. Psychometrika,
45, pp. 289-308.
BEN TLER, P. M. y WU, 1. C. (1993): EOS Windows User's Guide. Los Angeles, California: BMDP Statistical
Software.
B E N TLER, P. M. (2002): E Q S for Windows, U sers Guide. Encino, C alifornia: M ultivariate Software.
BE N TLER, P M y YUAN K. (1999): Structural Equation M odeling w ith Sm all Samples: Tests Statistics.
Multivariate Behavioral Research, 34, pp. 181-197.
(1998): Normal T heory Based on Tests Statistics in Structural E quation M odeling. Br'uish Journal o f
Ma'thematical a n d Statistical Psychology, 51, pp. 289-309.
 Capitulo 3 55

BENTLER, P. M y Y UAN K, (1998): S tructural E quation M odeling w ith Robust C ovariances. S ociological
Methodology. M atden, M assachussets: Biackwel!, pp. 363-396.
B ENTLER, R M y D IJK STRA (1985): E fficient E stim ation via L in e am atio n in Structural M odels. M ultivariate
Analysis. m sterdam : New H olland, pp. 9-42.
BOLLEN , K. (1989): Structural Equations with Latent Variables. John W iley and Sons.
BOLLEN, K. y LONG, S. (1993): Testing Structural Equation Models. Sage Publications.
BROW NE, M. (1984): A sym ptotically D istribution Free M ethods for the Analysis of C ovariance S tructures.
British Journal o f M athem atical an d Statistical Psychology, 37, pp. 62-83.
BY RNE, B. (1989): A Prim er o f LISREL. Basic Applications an d P rogram m ingfor Confirm atory Factor Analysis
Models. N ew York: S pringer Veriag.
(1994): Structural Equation M odeling with EQS and EQS Windows. Sage Publications.
CAM PBELL, D. T. y FISKB, D. W. (959): Convergenc and D iscrim inan! Vadation by the M ultitratt-M uitim ethod
M atrix. Psychological Bulletin, 56.
CU A D RA S AVELLA NA S, C. M. (1988): D istancias estad sticas, E stadstica Espaola, 119, sep.-dic.1988,
pp. 295-378.
D AGOSTINO, R. B. (1986): Tests for the N orm al D istribution. En R. B. D Agoscino y M. A. Stephens (Eds),
G ood o f fit Cechniqaes. New York: M arcel Dekker, pp. 367-419.
FORN ELL, C. Y LARCKER, S. F. (1982): Evaluating Structural Equation Models with Unobservable Variables
and Measurement Error, N ew York: Praeger.
H A IR , J. F., ANDERSON, R. E TATHAM , R. L. y BLACK; W. C. (1999): Anlisis Multivariante, (5Ued.) M adrid:
P ren d es Hall Iberia.
HA YDU CK, L. (1987): Structural Equation M odeling with Lisrel, Essentials an d Advances. John H opkins
Pubishers.
HA YDU CK, L. y HOYLE, R. (1995): Structural Equation M odeling, Concepts, Issues an d Applications. Sage
Publications.
HAYDUCK, L. y JORESKOG, K. G. (1982): A nalysis ofC ovarance S tructures. Second Generation o f M ultivariate
Analysis. N ew York: Praeger Pubiisher.
HAYDUCK, L. (986): Estim ation of the Polyserial Correlation from Sum m ary Statistics. Research Report 86-2.
Um versity o f Uppsala, D epartm ent o f Statistics.
H AYDU CK, L. y SORBOM , D. (1979): Advances in Factor Analysis and Structural Equation Modeling. Cambridge,
M assachussets: A bt Books.
(1989): Lisrel 7, a Guide to (he Program a n d applications. SPSS Inc.
~ (1990): SPSS Lisrel 7 an d f\relis, User's Guide a n d Reference. SPSS Inc.
(993): L isrel 8. SSI Scientjfe S oftw are International, Chicago.
JORESKOG, K. G. (1999): Formulas f o r skewness a n d kurtosis. En http://w w w .ssicentral.com /lisrel/kurtosis.pdf.
(1982): Journal o f M arketing Research, Speciai ssue on Causal M odciing. vol. XIX, 4 (November). AM A.
KEESLN G , J. W. (1972): M xim um Likelihood Approaches to Causal Analysis. Ph.D. dissertation, Chicago.
LEE, S. y. JE N R C H , R. I. (1979): A Study o f A lgorithm s for C ovariance Structure Analysis with Specific
C om parisons Usng Factor Analysis. Psychom etrika, n44, pp. 99-113.
LEE, S., POON, W., BENTLER, P. M. (1995): A tw o Stage Estim ation o f Structural Equation M odels with Corttinuous
and Poiytomous Variables. British Journal o f Mathematical an d Statistical Psychology, 48, pp. 339-358.
L EV Y M A NGN , J. P. (1990): Les Circuits de Distribution. Thorie, M thode el Structures: un Essai de Mesure
Com parative de l'm pact du Conflit et de la Coopration su r a Perform ance du Dtaillant dans les Circuits
de Produits Electronques Dom estiques au Caada. Etude Exptoratoire et Confirmatoire (Thse de Doctorat
d'tat). U niversit de Paris (XII).
(1994): Las relaciones estructurales latentes en marketing. Conceptos bsicos de m odelizacin. Cceres: IV
C ongreso Hispano Francs de AEDEM .
(1995): A nlisis de estructuras, descripcin y convergencia de los principales modelos de ecuaciones estructurales.
Un enfoque pragm tico, una aplicacin en m arketing. Toledo: V Congreso Hispano Francs de AEDEM.
(1996): El anlisis path, un modelo causa! para variables observables y un com plem ento de la regresin mltiple.
R evista Portuguesa de Marketing, abri!.
(1997): L a satisfaccin y el resultado en los canales de distribucin de productos electrnicos domsticos.
Un intento de m odelizacin m ediante ei anlisis de estructuras latentes. Revista Europea de Direccin y
Economa de a Empresa, vol 6, 1.
(1997): La satisfaccin y ei resultado en los canales de distribucin de productos electrnicos dom sticos.
A nlisis de la in v arianzade las estructuras factoriales y causal con m uestras m ltiples. Lrida: V I Congreso
H ispano Francs de AEDEM.
56 Monetizacin con Estructuras de Cavaran zas sn Ciencias Socid/es

LVY iVANGN, J. P. y SUL ALONSO, M. A. (1999): Estrategias de diferenciacin en calidad percibida: un anlisis
de la invarianza factorial en muestras mltiples. La Rioja: X III Congreso Hispano Francs de AEDEM.
LVY M A NG IN , J. P. y colaboradores (1999): M odelizacin con ecuaciones estructurales y variables latentes.
M adrid: Editorial Erica.
(2000): Modelizacin y program acin estructural con AMOS. M adrid: Editorial del instituto Superior de
Tcnicas y Prcticas Bancaras.
LILLEFORS, H. W. (1967): On che KLoimogorov-Smirnov test for norm ality w ith mean and variance unknow n.
Journal o f the American Statistical Association, vol. 64, pp. 387-389.
LOEH LIN , J. C. (1995): Latent Variables Models, An Introduction to Factor, Path an d Structural Analysis. Hillsdale,
N ew Jersey: L aw rence Erlbaum Associates.
M ARCOULIDES, G. y SCHUM AKLER, R. (1996): A dvanced Structural Equation Modeling, Is sues a n d Techniques.
Hillsdale, New Jersey: Law rence Erlbaum A ssociates.
M A R D IA , K. V. (1970): M easures o f M ultivariate Skewness and K urtosis w ith A pplications. Biom etrika, 57.
MC A R D LE y MCDONALD, R. P. (1984): Some Algebraic P ropertes o f the R eticular Action M odel for Moment
Structures. British Journal o f M athematical an d Statistical Psychology, 37.
M CDONALD, R. P. (1984): C onfirm atory M odels for Non L inear Structural A nalysis. D ata Analysis and
Informatics 111. Elsevier Publishers, N orth Hoand.
(1985): Factor Analysis an d R elated Methods. H illsdale, N ew Jersey: L aw rence Eribaum Associates.
M IQU EL, S-, BIGN, E LV Y M A N G IN , J. P., CUENCA , A. C. y M IQ U E L, M . I (1997): Investigacin de
m ercados. M adrid: M cGraw-Hll.
M U LA IK , S. A. (1990): An Analysis o f the Condiciona under which the E stim ation ofParam eters Inflales G ooduess
o f Fit Indices as M easures o f Model Validity. New Jersey: A nnual M eetng o f the Psychom etric Society.
M U TH E N , B.O. (1984): A General Structural Equation Model w ith Dichotom ous, O rdered Categrica! and
Condnuous Latent Variable ndicators. Psychom etrika >49, pp. 115-132.
SARIS, W. (1982): Linear Structural Relationships. N ew York: Praeger.
SARIS, W. y SATORRA, A. (1985): Power o f the L ikelihood R atio Test m Covariance S tructure A nalysis.
Psychom etrika, 50.
SARIS, W. y STRONKHORST, H. (1984): Causal M odeling in Non Experimental Research. Sociom etric R esearch
Foundation: Am sterdam .
SATORRA, A. (1990): R obustness Issues in Structural Equation M odeling: a Review o f Recent Developm ents
Q uality and Quantity, 24, pp. 367-386.
(1993): M ulttsam pie Analysis o f M om ent S tructures, A sym ptotic Vaidity o f Inferences Based on Second O rder
M om ents Statistical M odeling and Latent Variables. A m sterdam : E lsevier Publishers, N orth H oltand.
SH A R M A , S; DURVASULA, S. y DILLON, W. R. (1989): Som e R esults on the Behavior o f A lternate Covariance
Structure Estim ation Procedures in the Presence o f Non-Norm al Data JM R , 26, pp 214-221.
STEIGER, J. H. (1990): S tructural Model Evaluation and M odifcation: an Infernal estim ation A pproach,
M ultivariate Behavioral Research, 25, pp. 173-180.
STEIGER, J. H. y H A K STA N , A. R. (1982): The A sym ptotic D istribution o f Eleraents o f a Correiation M atrix:
T heory and Applications. British Journal o f M athem atical a n d S tatistical Psychology, 35, pp. 208-215.
TU CK ER, L. R. y LEW IS, C. (1973): A R eliability Coeffcient for M xim um Likelihood Factor A nalysis.
Psychom etrika, 38, pp. 1-10.
WALD, A. (1943): Tests of Statistical H ypotheses Concerning Several Param eters w hentheN um ber ofO bservations
Is L arge. Transactions o f the American M athem atical Society, 54.
WILEY, D. E. (1973): The Identification Problem for Structural E quation M odels w ith U nm easurable Variables.
Structural Equation Models in Social Sciences. N ew York: Academic Press.
 A P N D IC E

B r e v e d e s c r ip c i n d e las v a r ia b le s p r e s e n t a d a s :
(vase Lvy Mangirs: 1997, i 999)
b2: Custom er satisfaction with producs and brands.
b3: R etailer sacisfaction related to the provider influence in relation w ith the nventory.

el: R etailer satisfaction with the paym em system.

d3: R etailer satisfaction on parchases related to the eading provider.

d6: Satisfaction in relation w ith the total discount received from the Ieading p rovider

el: Global satisfaction w ith the eading provider reationship.

fl: R etailer satisfaction with its business profitability.

f3: R etailer Satisfaction w ith its return on assets.