Introduzione a Lisrel: richiami teorici [Pdf] - Marco Vicentini
Introduzione a Lisrel: richiami teorici [Pdf] - Marco Vicentini
Introduzione a Lisrel: richiami teorici [Pdf] - Marco Vicentini
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Facoltà di Psicologia di Padova – Corso FSE – ottobre 2009 <br />
<strong>Marco</strong> <strong>Vicentini</strong> <br />
info@marcovicentini.it
� Relazioni tra variabili e nessi causali <br />
� Modelli di Equazioni Strutturali <br />
� Regressione lineare <br />
� Matrici e Variabili: osservate e latenti, endogene ed esogene <br />
� Statistica χ 2 e L 2 <br />
� Formulazione di modelli e stima dei parametri in <strong>Lisrel</strong> <br />
� Dai dati osservati alla matrice di covarianza (Prelis) <br />
� Modelli correlazionali <br />
� Analisi fattoriale confermativa ed esplorativa <br />
� Path Analysis <br />
� Falsificazione e valutazione del modello <br />
� Comprendere gli indici di fit <br />
� Il processo di miglioramento del modello <br />
� Dati categoriali e ordinali <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 2
� Il primo a occuparsi dei SEM fu lo statistico psicometrico <br />
svedese Karl Jöreskog attorno ai primi anni ’70. <br />
� Inizialmente si era posto il problema di stimare i coefficienti <br />
strutturali dell’analisi fattoriale col metodo della massima <br />
verosimiglianza (ML). <br />
� L’iniziale approccio è andato oltre l’obiettivo per il quale era <br />
stato inizialmente concepito: la sua applicazione ha superato <br />
i confini dell’analisi fattoriale diventando una procedura <br />
generale per i modelli basati su sistemi di equazioni <br />
strutturali. <br />
� Per implementare i risultati <strong>teorici</strong> raggiunti, Jöreskog <br />
sviluppò un software denominato LISREL. <br />
� Oggi i SEM trovano una vasta applicazione nell’ambito della <br />
ricerca scientifica in diversi campi (sociologia, psicologia, <br />
economia, biometria…) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 3
� I SEM sono una tecnica statistica per <br />
verificare e testare relazioni causali tra <br />
variabili. <br />
� Sono utilizzati per congiungere assieme <br />
� una analisi fattoriale confermativa ed esplorativa, <br />
� modelli di path analysis <br />
� permettendo sia di falsificare che di sviluppare un <br />
modello teorico di relazioni tra variabili osservate <br />
e latenti. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 4
� Vengono anche chiamati: <br />
� Analisi della struttura di covarianza, modelli causali, <br />
modelli <strong>Lisrel</strong> <br />
� Combinano la logica della analisi fattoriale e della <br />
regressione multipla <br />
� Lo scopo è sviluppare un modello che spieghi come <br />
sono legate delle variabili osservate <br />
� Spiegare la matrice di varianza‐covarianza(Σ) <br />
� Attraverso la soluzione simultanea di equazioni che <br />
rappresentano il modello <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 5
� Vantaggi <br />
� Riduzione dell’errore di misura tramite multipli <br />
indicatori della variabile latente <br />
� Capacità di valutare un modello in generale e i singoli <br />
parametri <br />
� Capacità di verificare modelli con moltepilici variabili <br />
dipendenti <br />
� Capacità di modellare variabili mediatrici <br />
� Capacità di confrontare statisticamente modelli <br />
nested e non‐nested <br />
� Capacità di modellare relazioni tra gruppi e nel tempo <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 6
� Approcci principali, bastati sugli obiettivi <br />
sperimentali <br />
� Analisi fattoriale confermativa <br />
� Modelli di equazioni strutturali <br />
� Per ciascun approccio principale, sono possibili <br />
differenti scelte metodologiche <br />
� Strettamente confermativo <br />
� Modelli alternativi <br />
� Sviluppo di modelli <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 7
� Variabili <br />
� Osservate = misurate, manifeste, indicatori <br />
▪ Possono essere item, sottoscale o scale <br />
� Latenti = costrutti <strong>teorici</strong> <br />
▪ Variabili definite tramite variabili osservate <br />
� Lo scopo è: <br />
▪ modellare la comunanza tra le variabili osservate <br />
▪ Simile ad una analisi fattoriale? <br />
▪ la relazione tra molteplici variabili latenti <br />
▪ Simile ad una regressione multipla? <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 8
Variabili Osservate Latenti <br />
Indipendenti X Ksi (ξ) <br />
Dipendenti Y Eta (ή) <br />
Errore di misurazione <br />
( δ, ε ) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 9 <br />
di specificazione <br />
( ζ )
� Verifica di un modello di misurazione <br />
specificato a priori <br />
� Viene modellata e misurata la relazione diretta tra <br />
variabili osservate e variabile(i) latente <br />
Scala 1 (X 1) Scala 2 Scala 3 Scala 4<br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 10 <br />
peso fattoriale<br />
λ11 costrutto<br />
(ξ 1)<br />
errore (δ1) errore errore errore
� Si verifica un modello strutturale posto a‐<br />
priori congiuntamente alla CFA <br />
� Processo in tre fasi <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 11 <br />
▪ Definizione del modello di misurazione <br />
▪ Stima dei parametri del modello <br />
▪ Secondo differenti procedure matematiche <br />
▪ Valutazione del modello strutturale <br />
▪ Si modella la relazione diretta tra variabili latenti tramite <br />
regressione lineare multipla
λ x<br />
S1 S2 S3 S4<br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 12 <br />
Coping (ξ 1)<br />
λ<br />
λ λ<br />
γ11 Coefficiente strutturale<br />
depressione<br />
(η 1 )<br />
S1 S2 S3 S4<br />
errore errore<br />
errore errore errore errore errore errore<br />
λ y<br />
λ<br />
errore (ζ 1 )<br />
λ<br />
λ
� Tipologia di variabili latenti (LV) <br />
� esogene: LV che solamente causano altre LV <br />
� endogene: LV che sono causate da altre LV <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 13 <br />
▪ mediatori: sono “causa” e “causate” <br />
Illness<br />
perceptions<br />
Coping<br />
Depression
� Specifica del modello <br />
� Scrivere le equazioni per specificare <br />
▪ Ciascun peso fattoriale <br />
▪ MV1 = λ(LV) + e1 <br />
▪ E.s.: BDI = λ11(Depression) + e1 <br />
▪ Ciascuna relazione tra variabile latente <br />
▪ LV endogena = γ(LV esogena) + d2 <br />
▪ Depression LV = γ21(Coping LV) + d2 <br />
▪ Indicare quali parametri stimare <br />
▪ Liberi (FR, 1), fissati (FI, 0), vincolati (VA, ST, EQ, …) <br />
� Queste equazioni implicano un modello <br />
� Questo modello cerca di spiegare la matrice di varianza‐<br />
covarianza (Σ vs. S) <br />
▪ La relazione tra le variabili osservate <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 14
� Stima dei parametri del modello <br />
� Viene effettuata matematicamente con pesanti <br />
calcoli di algebra matriciale e regole di tracking <br />
� Le procedure di stima includono <br />
▪ Maximum Likelihood <br />
▪ Minimi quadrati generalizzati <br />
▪ Metodi asintotici liberi dagli assunti di distribuzioni note <br />
� La stima produce una funzione di adattamento <br />
del modello ai dati <br />
▪ Ci dice quanto bene abbiamo riprodotto la matrice Σ con il <br />
nostro modello e la stima dei parametri <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 15
� Determinazione dell’adattamento del modello <br />
compiuta a due livelli <br />
� Il modello in generale <br />
▪ Ci si riferisce alla bontà di adattamento del modello ai dati <br />
(goodeness of fit indexes) <br />
▪ Ci dicono se il modello deve essere rigettato <br />
� I singoli parametri del modello <br />
▪ Parametri: peso fattoriale, correlazione tra fattori, coefficienti <br />
strutturali <br />
� Processo decisionale <br />
� Se il modello è accettato, interpreta i parametri del <br />
modello <br />
� Se il modello è rifiutato, non interpretare i parametri <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 16
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 18
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 19 <br />
X <br />
Y <br />
Due variabili sono legate da una relazione causale <br />
diretta quando un mutamento nella variabile causa <br />
produce un mutamento nella variabile effetto <br />
Ad esempio:
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 20 <br />
X <br />
Y <br />
Due variabili sono legate da una relazione causale reciproca (o <br />
retroazione, simultaneità, mutua relazione) quando un <br />
mutamento nella variabile causa produce un mutamento nella <br />
variabile effetto e viceversa, anche in tempi differenti. <br />
Ad esempio: prezzo – domanda; identificazione e partecipazione nei gruppi
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 21 <br />
X <br />
Z<br />
Y <br />
Presenza di covariazione in assenza di causazione. <br />
La covaziazione fra due variabili è provocata da una terza <br />
variabile che agisce causalmente sulle prime. <br />
Ad esempio: <br />
• Numero di pompieri e dimensione dell’incendio <br />
• Cicogne sui camini e numero di figli per famiglie <br />
• Gelati consumati e voti al partito dei pensionati
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 22 <br />
X <br />
Z<br />
Y <br />
Si ha relazione causale indiretta tra due variabili X e Y quando <br />
il loro legame causale è mediato da una terza variabile Z, <br />
detta interveniente. <br />
Ad esempio: <br />
• Razza e quoziente di intelligenza, mediato da istruzione <br />
• …
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 23 <br />
X <br />
Z<br />
Y <br />
Si ha relazione causale condizionata, o interazione, quando la <br />
relazione tra due variabili cambia a seconda del valore assunto <br />
da una terza. <br />
Ad esempio: <br />
• Età e ascolto di musica classica, solo in interazione con livello culturale. <br />
• …
� “ Se scegliamo un gruppo di fenomeni sociali <br />
senza precedente conoscenza di causazione o <br />
di non‐causazione fra essi, il calcolo dei <br />
coefficienti di correlazione non ci farà <br />
avanzare di un passo nella direzione della <br />
comprensione delle cause in opera ” <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 24 <br />
[ Fisher, 1925 ]
� Per correlazione si intende una relazione tra <br />
due variabili casuali tale che a ciascun valore <br />
della prima variabile corrisponda con una <br />
certa regolarità un valore della seconda. <br />
� Non si tratta di un rapporto di causa ed <br />
effetto ma semplicemente della tendenza di <br />
una variabile a variare assieme ad un'altra. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 25
� La covarianza è un indice che misura la <br />
contemporaneità della variazione (in termini <br />
lineari) di due variabili casuali: <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 26 <br />
Cov( x, y)<br />
= 1<br />
n −1<br />
n<br />
∑<br />
i=1<br />
( x − x ) ( y − y )<br />
i i
� La correlazione è la medesima misura <br />
standardizzata: <br />
� tramite le deviazioni standard delle variabili <br />
stesse: <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 27 <br />
s x =<br />
1<br />
n −1<br />
n<br />
∑<br />
i=1<br />
( x − x ) i 2
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 28
� Calcolare la relazione lineare tra le seguenti variabili: <br />
� Calcolare: <br />
1. Media <br />
2. Varianza <br />
3. Covarianza <br />
4. Correlazione <br />
P.S. si può usare la calcolatrice… meglio non quella del cellulare… <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 29 <br />
A B C <br />
15 21 43 <br />
26 23 37 <br />
27 27 31 <br />
39 30 25 <br />
43 49 14
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 30 <br />
A B C a i ‐A b i ‐B a 2 b 2 ab <br />
15 21 43 ‐15 ‐9 225 81 135 <br />
26 23 37 ‐4 ‐7 16 49 28 <br />
27 27 31 ‐3 ‐3 9 9 9 <br />
39 30 25 +9 0 81 0 0 <br />
43 49 14 +13 +19 169 361 247 <br />
Σ 150 150 150 500 500 419 <br />
Χ 30 30 30 125 125 104.75
Matrici di covarianza (CM) e di correlazione (KM) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 31 <br />
A B C <br />
A 125.00 104.75 ‐119.75 <br />
B 104.75 125.00 ‐118.25 <br />
C ‐119.75 ‐118.25 125.00 <br />
A B C <br />
A 1.000 0.838 ‐0.958 <br />
B 0.838 1.000 ‐0.946 <br />
C ‐0.958 ‐0.946 1.000
Matrici di covarianza (CM) e di correlazione (KM) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 32 <br />
A B C <br />
A 125.00 104.75 ‐119.75 <br />
B 104.75 125.00 ‐118.25 <br />
C ‐119.75 ‐118.25 125.00 <br />
Varianza <br />
Covarianza <br />
A B C <br />
A 1.000 0.838 ‐0.958 <br />
B 0.838 1.000 ‐0.946 <br />
C ‐0.958 ‐0.946 1.000
� es0.pr2 <br />
DA NI=3 <br />
RA=es0.raw <br />
LA <br />
a b c <br />
CO ALL <br />
OU MA=CM SM=es0.cov <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 33 <br />
� es0.raw <br />
15 21 43 <br />
26 23 37 <br />
27 27 31 <br />
39 30 25 <br />
43 49 14
es0.out <br />
Total Sample Size = 5<br />
Univariate Summary Statistics for Continuous Variables<br />
Variable Mean St. Dev. T-Value Skewness Kurtosis Minimum Freq. Maximum Freq.<br />
-------- ---- -------- ------- -------- -------- ------- ----- ------- -----<br />
a 30.000 11.180 6.000 -0.161 -1.113 15.000 1 43.000 1<br />
b 30.000 11.180 6.000 1.717 3.149 21.000 1 49.000 1<br />
c 30.000 11.180 6.000 -0.501 -0.230 14.000 1 43.000 1<br />
Covariance Matrix<br />
a b c<br />
-------- -------- -------a<br />
125.000<br />
b 104.750 125.000<br />
c -119.750 -118.250 125.000<br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 34
� Nei fenomeni sociali, le relazioni tra variabili sono molto <br />
complesse. <br />
� Trarre conclusioni da analisi bivariate, per altro utilissime a <br />
livello esplorativo, può portare a errori di valutazione <br />
considerevoli. <br />
� Quando è possibile è certamente preferibile utilizzare <br />
approcci multivariati. <br />
� Nel provare la causalità di una relazione è determinante <br />
l’ipotesi teorica del ricercatore. <br />
� Un modello statistico da solo, non può mai provare la <br />
causalità di una relazione ! <br />
� Al limite, un modello statistico può suggerire la non esistenza <br />
di una relazione causale … ma mai provarne l’esistenza ! <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 35
Solamente un breve accenno
� Consideriamo le seguenti variabili osservate: <br />
� Y: punteggio alla prova di ingresso in psicologia <br />
� X1: esito all’Esame di Stato <br />
� X2: prova comprensione brani <br />
� X3: prova matematica <br />
� X4: conoscenze scienze umane <br />
� X5: conoscenze fisica <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 37
� Potremmo formulare un modello di regressione multipla del tipo: <br />
� E stimare (ad es. in R) i parametri che meglio risolvono l’equazione. <br />
lm(formula = Y1 ~ X1 + X2 + X3 + X4 + X5, data = dati)<br />
Estimate Std. Error t value Pr(>|t|)<br />
X1 0.02152 0.01116 1.928 0.054 .<br />
X2 1.46008 0.05726 25.499
� Il modello di regressione presenta una interpretazione assai <br />
parziale della realtà. <br />
� Ad esempio non vengono tenuti in considerazione legami causali <br />
diretti e/o simmetrici tra le indipendenti. <br />
� Questi legami possono essere considerati definendo le seguenti <br />
equazioni: <br />
� Questo è un primo esempio di sistema di equazioni strutturali <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 39
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 40
DA NI=7 <br />
LA <br />
punteggio EdS Brani Matematica <br />
Umane Fisica Logica <br />
RA=test.dat <br />
CO ALL <br />
OU MA=CM SM=es6.cov <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 41 <br />
Variabili in Input <br />
Dati grezzi <br />
Tipologia dei dati <br />
Parametri di Output
DA MA=CM NO=1616 NI=7 <br />
LA <br />
punteggio EdS Brani Matematica <br />
Umane Fisica Logica <br />
CM FI=es6.cov <br />
MO NX=5 NY=1 <br />
PD <br />
OU <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 42 <br />
Dati in Input <br />
Matrice di Covarianza <br />
Specifiche del Modello <br />
Path Diagram <br />
Parametri di Output
Le matrici che definiscono un modello
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 44 <br />
Esogene Endogene <br />
Osservate Latenti Osservate
X <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 45 <br />
Ksi Eta <br />
Y
λ x <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 46 <br />
ϒ <br />
β <br />
λ y
δ <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 47 <br />
ζ (zeta) <br />
ε
θ δ <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 48 <br />
ϕ (phi) <br />
Ψ (psi) <br />
θ ε
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 49
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 50
Variabili Osservate Latenti <br />
Indipendenti X Ksi (ξ) <br />
Dipendenti Y Eta (ή) <br />
Errore Osservate Latenti <br />
Indipendenti Delta (δ) <br />
Dipendenti Epsilon (ε) Zeta (ζ) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 51
Variabile <br />
dipendente <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 52 <br />
Variabile <br />
indipendente <br />
(causa) <br />
Coefficiente <br />
Eta (ή) Eta (ή) Beta (β) <br />
Eta (ή) Ksi (ξ) Gamma (γ) <br />
Y Eta (ή) Lambda‐Y (λ y ) <br />
X Ksi (ξ) Lambda‐X (λ x )
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 53 <br />
Indicatore Varianza e <br />
covarianza <br />
Ksi (ξ) Phi (φ) <br />
Zeta (ζ) Psi (ψ) <br />
Epsilon (ε) Theta‐Epsilon (θ ε ) <br />
Delta (δ) Theta‐Delta (θ δ )
Relazione Variabili Matrice <br />
Regressione <br />
Covarianza <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 54 <br />
Eta (ή) ← Eta (ή) Beta (Β) <br />
Eta (ή) ← Ksi (ξ) Gamma (Γ) <br />
Y ← Eta (ή) Lambda‐Y (Λ y ) <br />
X ← Ksi (ξ) Lambda‐X (Λ x ) <br />
Ksi (ξ) Phi (Φ) <br />
Zeta (ζ) Psi (Ψ) <br />
Epsilon (ε) Theta‐Epsilon (Θ ε) <br />
Delta (δ) Theta‐Delta (Θ δ)
� Modello strutturale <br />
� Modello misurazione <br />
per le variabili <br />
endogene <br />
� Modello misurazione <br />
per le variabili esogene <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 55
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 56
MO LX=FU,FI TD=DI,FR LY=FU,FI TE=DI,FR GA=FU,FR BE=FU,FI PH=SY,FR PS=SY,FR <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 57
La verifica di ipotesi e gli indici di fit
� Prerequisito fondamentale che tutti i modelli statistici <br />
devono soddisfare è quello dell’identificazione. <br />
� Un modello statistico si dice identificato quando tutti i <br />
suoi parametri sono univocamente determinati. <br />
� Condizione necessaria (anche se non sufficiente) <br />
affinché un modello sia identificabile è che il numero <br />
di equazioni che lo definiscono sia maggiore o uguale <br />
al numero di incognite (parametri da stimare). <br />
� In altre parole il numero di valori osservati deve essere <br />
(molto) maggiore o uguale al numero di parametri <br />
incogniti del modello. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 59
� Affinché un SEM sia identificabile, i gradi di <br />
libertà del modello teorico (scarto tra il <br />
numero di osservazioni e parametri da <br />
stimare) devono essere maggiori o uguali a 0: <br />
� Dove n è il numero delle variabili osservate e t <br />
il numero dei parametri del modello. <br />
€<br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 60 <br />
df = [ n( n +1)<br />
2]<br />
− t ≥ 0
� I gradi libertà possono anche essere visti come un indice <br />
che misura la parsimonia del modello di equazioni <br />
strutturali ipotizzato. <br />
� Maggiori sono i gradi di libertà del modello e minore è il numero <br />
di parametri di cui il modello ha bisogno per esprimere la <br />
struttura delle covarianze osservate. <br />
� Maggiori sono i gradi di libertà del modello, maggiore è la <br />
capacità del modello di semplificare la realtà. <br />
� Il “bravo” ricercatore, nel processo di miglioramento di un <br />
modello teorico, deve andare nella direzione della <br />
semplificazione del modello e quindi deve mirare ad <br />
aumentare i gradi libertà <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 61
� Consideriamo le matrici S, matrice di <br />
covarianza osservata tra X e Y <br />
� E Σ, matrice di covarianza attesa attraverso il <br />
modello teorico. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 62
€<br />
� È possibile dimostrare (Corbetta, pp. 85‐89) che: <br />
� Questo significa che ciascun modello teorico <br />
implica una determinata matrice di <br />
covarianza attesa tra le variabili X e Y. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 63 <br />
Σ xx = Λ x Φ ′<br />
Λ x + Θ δ<br />
⎡<br />
Σyy = Λy⎢ I − B<br />
⎣<br />
( ) −1<br />
( ) −1′<br />
Σ xy = Λ x Φ ′<br />
Γ I − B<br />
( ΓΦ Γ ′ + Ψ)<br />
I − B<br />
Λ ′ y<br />
( ) −1′<br />
⎤<br />
⎥ ′<br />
⎦<br />
Λ y + Θ ε
� Sulla base di quanto dimostrato è ovvio che: <br />
� cambiando i parametri del modello teorico si <br />
ottengono diverse matrici di covarianza attesa. <br />
� La discrepanza tra matrice di covarianza <br />
osservata (S) e matrice di covarianza <br />
stimata dal modello (Σ) ad essere assunta <br />
come criterio fondamentale per valutare la <br />
consistenza del modello teorico con i dati <br />
osservati. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 64
� I valori iniziali (starting values) dei parametri liberi vengono stimati <br />
attraverso il metodo dei minimi quadrati in due stadi (Two Stage Least <br />
Squares, TSLS). <br />
� Su queste “stime iniziali” si innesta il metodo della massima <br />
verosimiglianza (Maximum Likelihood, ML) <br />
� In generale il metodo ML permette di stimare in parametri incogniti della <br />
popolazione individuando quei valori dei parametri che massimizzano la <br />
probabilità per i dati campionari di essere osservati. <br />
� Il metodo ML è quello usato dal software LISREL per default. <br />
� Esistono altri metodi di stima. <br />
� In particolare, il metodo ML prevede che le variabili studiate abbiano una <br />
distribuzione normale multivariata. <br />
� Se ciò non avviene una valida alternativa al metodo ML è il metodo dei minimi <br />
quadrati pesati (Weighted Least Squares). Il metodo WLS è inoltre adatto <br />
alla stima di modelli di equazioni strutturali per variabili ordinali. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 65
� Se l’incongruenza fra i dati e il modello è tale che il <br />
programma non è in grado di arrivare a una soluzione <br />
(stima dei parametri), esso lo segnala con un vari tipi di <br />
messaggi di errore. <br />
� In questo caso è necessario controllare che i dati siano stati <br />
inseriti correttamente e che il modello sia stato correttamente <br />
specificato sia dal punto di vista informatico (corretta sintassi) <br />
che teorico (sensatezza del modello e delle ipotesi). <br />
� A seconda della tipologia del messaggio di errore é inoltre <br />
possibile adottare alcune strategie (leggi anche “trucchi”) per <br />
“guidare” la convergenza dell’algoritmo di stima <br />
� Se la situazione di non convergenza delle stime persiste è <br />
il caso di ripensare completamente al modello teorico di <br />
partenza. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 66
� Può accadere che l’algoritmo di stima raggiunga la convergenza, <br />
ma che i parametri ottenuti siano inammissibili o perlomeno <br />
problematici da un punto di vista logico e statistico. <br />
� Parametri inammissibili sono comunemente: varianze negative, <br />
correlazioni maggiori di 1, matrici di covarianza non ammissibili dal <br />
punto di vista statistico. <br />
� Parametri problematici sono in genere quelli con errori standard molto <br />
elevati. <br />
� La presenza di parametri non ammissibili rende il modello non <br />
valido e quindi incompatibile con i dati osservati. <br />
� In questo caso è bene riformulare il modello fino ad “arrivare” <br />
all’ammissibilità del modello. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 67
� Una volta accertata l’ammissibilità dei <br />
parametri stimati si può passare ad analizzare <br />
la bontà di adattamento complessivo del <br />
modello ai dati. <br />
� L’idea fondamentale è quella di confrontare la <br />
matrice di varianza e covarianza osservata S <br />
con quella stimata dal modello Σ. <br />
� Maggiore sarà lo scarto tra le due matrici e minore <br />
sarà la bontà di adattamento del modello ai dati. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 68
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 69
� Determinazione dell’adattamento del <br />
modello ai dati (Hu & Bentler, 1999) <br />
� La funzione di adattamento è convertita in un test <br />
statistico e numerosi indici descrittivi <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 70 <br />
▪ Il test χ 2 offre un test statistico di adattamento <br />
▪ ci aspettiamo che sia non significativo <br />
▪ (ovvero che la differenza tra la matrice osservata e quella stimata <br />
sia non significativa) <br />
▪ Raramente accade, soprattutto con grande N
� Indici di bontà descrittivi <br />
� Comparative Fit Index (CFI; Bentler, 1990) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 71 <br />
▪ Confronta il modello con un modello nullo <br />
▪ baseline model = modello di indipendenta, senza alcun fattore <br />
� Indici di parsimonia <br />
▪ Il fit viene corretto considerando il numero di parametri <br />
stimati <br />
▪ Solitamente si utilizza il Root Mean Square Error of <br />
Approximation (RMSEA; Steiger, 1990)
da Schermelleh‐Engel (2003) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 72
� Adattamento dei singoli parametri <br />
� Per ciascun parametro viene effettuato un test <br />
statistico, chiamato anche Critical Ratios (CR) <br />
▪ CR = stima del parametro / errore standard <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 73 <br />
▪ Sono distribuiti come valori t <br />
� Spesso si considerano i valori standardizzati <br />
▪ Peso fattoriale (> 0.35) <br />
▪ Correlazione tra fattori e coefficienti strutturali <br />
dipendono dalla ricerca condotta in letteratura
� E se il mio modello e/o singoli parametri non si <br />
adattano (“non fittano”) ? <br />
� Prendilo in considerazione e fermati … <br />
� Procedi a modificare il modello <br />
▪ I SEM offrono quelli che sono chiamati gli indici di modifica <br />
▪ Quali sono i parametri che possono essere aggiunti per migliorare <br />
l’adattamento <br />
� Attraverso il LaGrange Multiplier test <br />
▪ Quali sono i parametri che possono essere cancellati senza danneggiare <br />
l’adattamento <br />
� Tramite il Wald test <br />
� In ogni casa, un SEM è sempre guidato da una teoria <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 74
� Se il modello di equazioni strutturali considerato <br />
non presenta complessivamente buoni indici <br />
di adattamento si può concludere che esso non è <br />
compatibile con i dati osservati. <br />
� Se il modello di equazioni strutturali considerato <br />
presenta buoni indici di adattamento si può dire <br />
che tale modello è compatibile con i dati <br />
osservati, ma non si può concludere che esso <br />
sia l’unico o il migliore tra tutti quelli possibili. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 75
� [ ce ne è di strada da fare … ] <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 77
� Proposta di modello(i) a‐priori <br />
� Valutazione univariata e multivariata della <br />
distribuzione dei dati osservati <br />
� Determinazione degli indici complessivi di <br />
adattamento per il modello <br />
� Attraverso una analasi di tipo confermativa <br />
� Determinazione dei singoli parametri del <br />
modello <br />
� Modifica e verifica dell’adattamento <br />
� Confronto tra tutti i modelli a‐priori <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 79
� Assunzioni per una CFA <br />
� Un grande N: almeno 200 ma 400 è ottimale <br />
� Numero di casi <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 81 <br />
▪ per ciascuna variabile osservata 10:1 <br />
▪ per ciascun parametro stimato 10:1 <br />
▪ se i dati sono non normali 20:1
� Scala di misurazione per le variabili osservate <br />
� Necessario assumere che i dati su scala categoriale/<br />
ordinale/intervalli abbiano una soggiacente <br />
distribuzione normale <br />
� Oppure utilizzo di speciali correlazioni <br />
▪ Tutte variabili categoriali = matrice di correlazione tetracorica <br />
▪ Variabili categoriali e continue = matrice di correlazione <br />
policorica <br />
� Variabili osservate per variabili latenti <br />
� Ci si aspetta un minimo di tre (>3 ancora meglio) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 82
� Non normalità dei dati <br />
� Valutazione multivariata della non‐normalità (in <br />
Prelis) <br />
� Utilizzo della correzione di Satorra‐Bentler scaled <br />
χ 2 <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 83
Scriviamo le equazioni di un modello
da Chiesi, Menzione, & Primi (2005) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 85
da Chiesi, Menzione, & Primi (2005) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 86
da Chiesi, Menzione, & Primi (2005) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 87
da Chiesi, Menzione, & Primi (2005) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 88
! Da Chiesi et al. 2005 <br />
DA NI=8 NO=128 MA=CM <br />
CM <br />
1.274 <br />
0.313 0.606 <br />
0.654 0.162 0.916 <br />
0.151 0.081 0.171 0.400 <br />
0.761 0.223 0.635 0.179 1.199 <br />
0.210 0.056 0.183 0.069 0.219 0.733 <br />
0.275 0.129 0.282 0.086 0.191 0.421 0.775 <br />
0.598 0.225 0.629 0.205 0.660 0.238 0.181 0.856 <br />
LA <br />
Y1 Y2 Y3 Y4 Y5 X1 X2 X3 <br />
… <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 89 <br />
Dati in Input <br />
Matrice di Covarianza <br />
Etichette delle Variabili osservate
MO NX=3 NK=2 NY=5 NE=1 <br />
PA LX <br />
2*(1 0) <br />
1*(0 1) <br />
PA LY <br />
5*(1) <br />
FI TD(3,3) <br />
PD <br />
OU MI ND=3 <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 90 <br />
Specifiche del Modello <br />
Specifiche delle Matrici <br />
Path Diagram <br />
Parametri di Output
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 91
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 92 <br />
Goodness of Fit Statistics<br />
Degrees of Freedom = 18 <br />
Normal Theory Weighted Least Squares Chi‐Square = 25.19 (P = 0.12) <br />
Root Mean Square Error of Approximation (RMSEA) = 0.056 <br />
P‐Value for Test of Close Fit (RMSEA
Analisi della struttura fattoriale di un questionario per la misura della <br />
fiducia
� Il dataset e gli esempi sono contenuti in: <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 94 <br />
Esercizio3.OTI
Da Vidotto, <strong>Vicentini</strong>, Argentero & Bromiley (2007) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 95
Un modello relativo ai fattori di rischio per le abbuffate
� Il dataset e gli esempi sono contenuti in: <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 97 <br />
Esercizio4.Croazia
da Bastianelli, <strong>Vicentini</strong>, Spoto & Vidotto (2006) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 98
Un modello relativo all’apprendimento scolastico
� Il dataset e gli esempi sono contenuti in: <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 100 <br />
Esercizio5.DelFavero
da Del Favero, Boscolo, Vidotto, & <strong>Vicentini</strong> (2007) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 101
Utilizzare gli indici di adattamento per definire un modello ottimale
� Il dataset e gli esempi sono contenuti in: <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 103 <br />
Esercizio6.Scheller
da Schermelleh‐Engel (2003) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 104
da Schermelleh‐Engel (2003) <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 105
� Bollen, K.A. (1989). Structural Equations with Latent Variables, Wiley, New <br />
York. <br />
� Chiesi F., Menzione M., & Primi C. (2005). I modelli di equazioni strutturali <br />
nella ricerca in psicologia: istruzioni per l’uso di una tecnica di analisi <br />
multivariata. Giornale italiano di Psicologia 32(2), 385‐403. <br />
� Corbetta P. (2003). Metodi di analisi multivariata per le scienze sociali. I <br />
modelli di equazioni strutturali. Il Mulino, Bologna. <br />
� Jöreskog K., & Sörbom D. (2001). <strong>Lisrel</strong> 8: User’s Reference Guide, SSI <br />
Scientific Software, Lincolnwoord. <br />
� Schermelleh‐Engel K., & Moosbrugger H. (2003). Evaluating the Fit of <br />
Structural Equation Models: Tests of Significance and Descriptive <br />
Goodness‐of‐Fit Measures. Methods of Psychological Research Online <br />
8(2), 23‐74. <br />
<strong>Marco</strong> Vicen+ni – <strong>Introduzione</strong> a <strong>Lisrel</strong> ‐ Slide 106