(#366). MODELO DE HOMOGENEIDAD EN TABLAS DE 2X2 Explicación sobre cómo afrontar el análisis en tablas de contingencia sencillas, empleando el test de la chi-cuadrado

b366

[MONOTEMA] A veces los investigadores aplicados no tenemos muy claro qué procedimiento emplear para analizar nuestros datos, incluso en las situaciones más sencillas, como en una tabla de contingencia de 2×2. En este post voy a tratar de mostrar algunos errores comunes, y reflexionar acerca del papel que tiene el […]

Leer más

(#365). BÁSICOS DE ECUACIONES ESTRUCTURALES (V): MATRIZ DE DATOS BRUTOS La matriz de entrada en SEM es una matriz cuadrada de covarianzas de las variables observables, donde en la diagonal están las varianzas, y que además es simétrica

b365

[MONOTEMA] En esta quinta entrega, vamos a explicar en qué consiste la matriz de datos brutos que debemos emplear como entrada para realizar los análisis, que no es más que la matriz de covarianzas entre todos los observables de la muestra. Esa matriz se suele denominar como S. El profesor Leslie […]

Leer más

(#358). BÁSICOS DE ECUACIONES ESTRUCTURALES (IV): REGRESIÓN LINEAL SIMPLE CON FIABILIDADES DIVERSAS La especificación de la fiabilidad en la variable que actúa como causa afecta a la estimación del coeficiente estructural y a la varianza explicada por el modelo. Las fiabilidades no afectan a la covariación entre las latentes, pero sí que la fiabilidad de la variable endógena incide en la estimación de su varianza de error.

b358

[MONOTEMA] En esta cuarta entrega, vamos a pasar del modelo de dos variables correlacionadas a un modelo de regresión en el que una se postula como causa de la otra. La especificación gráfica se muestra en la Figura 4.1. Figura 4.1. Modelo de regresión entre dos variables latentes Como puede […]

Leer más

(#354). BÁSICOS DE ECUACIONES ESTRUCTURALES (III): COVARIANZA Y CORRELACIÓN ENTRE VARIABLES LATENTES La covarianza y correlación entre variables latentes depende de la estructura de errores de los observables que planteemos en el modelo

b354

[MONOTEMA] En este tercera entrega de nuestra introducción a SEM, vamos ir avanzando en el modelo simple de variable latente e indicador, planteando un modelo en el que deseamos saber la covarianza entre 2 variables latentes Z1 y Z2. Para ello, partimos de esta representación gráfica (Figura 3.1), en el […]

Leer más

(#353). BÁSICOS DE ECUACIONES ESTRUCTURALES (II): VARIABLES LATENTES Y FIABILIDAD La especificación de variables latentes es esencial para manejar la potencialidad de SEM, y para considerar la fiabilidad de las observaciones

b353

[MONOTEMA] En este segundo paso en nuestra introducción a conceptos básicos de SEM, vamos  a explicar el concepto de variable latente y las implicaciones que tiene para la partición de la varianza observable, lo que a su vez nos llevará a discutir sobre la fiabilidad de los datos. Variable latente […]

Leer más

(#352). TESTOSTERONA Y CONSUMO CONSPICUO EN HOMBRES Experimentalmente se muestra que un incremento de testosterona en sangre aumenta la preferencia por productos y marcas que denotan estatus y prestigio social

b352

[REVISION DE ARTICULO] En este artículo publicado en Nature Communications, los autores presentan nuevas evidencias sobre la relación entre los niveles de testosterona en sangre en hombres y el consumo de productos que denotan estatus. Ganar prestigio para sentirse socialmente por encima de los demás es una de las razones que […]

Leer más

(#350). BÁSICOS DE ECUACIONES ESTRUCTURALES (I): COVARIANZAS Y DESVIACIONES SOBRE LA MEDIA Los modelos de ecuaciones estructurales emplean las covarianzas entre las variables como datos de entrada. La relación entre las covarianzas permite la estimación de los coeficientes estructurales, que son idénticos a si se hubieran computado empleando los datos brutos (de cada observación) tomados en desviaciones sobre la media.

b350

[MONOTEMA] Comenzamos una serie de entradas sobre una introducción práctica a los modelos de ecuaciones estructurales, en la que emplearemos los programas LISREL y Stata para estimar modelos sencillos, que pretenden ser una guía para estudiantes que comienzan a adentrarse en esta temática. Para ello, necesitamos primeramente abordar varios aspectos […]

Leer más

(#346). MODELO NO LINEAL EN LAS VARIABLES PERO LINEAL EN LOS PARÁMETROS CON STATA Y MAXIMA Ilustración de un modelo de predicción no lineal usando un ajuste por mínimos cuadrados, para la introducción a la toma de decisiones en marketing

b346

[MONOTEMA] Seguimos creando material auxiliar para comprender mejor las herramientas de toma de decisiones en marketing. En este post vamos a comentar uno de los aspectos que quizá cuesta un poco más de trabajo entender en las primeras clases de marketing, y es el de emplear el mismo modelo de […]

Leer más

(#337). EXPLORANDO LA PREDICCIÓN LINEAL EN MARKETING CON MAXIMA Explicación de un modelo sencillo de predicción para la introducción a la toma de decisiones en marketing

B337

[MONOTEMA] Para completar la serie de posts sobre la toma de decisiones en marketing, vamos a ilustrar en qué lugar se encuentran las ciencias sociales frente al determinismo y el puro azar. Y es justo en medio. De este modo, podemos plantear modelos de predicción que tendrán una parte determinista […]

Leer más

(#336) EXPLORANDO EL DETERMINISMO Y EL AZAR CON C Y MAXIMA Explicación de los extremos en los que se basan los modelos de predicción, para la introducción a la toma de decisiones en marketing

b336

[MONOTEMA] Continuamos con esta serie de post para ayudar comprender mejor qué significa la toma de decisiones en ciencias sociales. Tras explorar diversos fenómenos no lineales y caóticos, ahora toca el turno de comprender la diferencia entre un fenómeno completamente determinista y uno totalmente aleatorio. Aunque en rigor ninguno de […]

Leer más
image_pdfimage_print
1 2 3 6