NO EXISTEN CAMBIOS
La guía de la asignatura ha sido actualizada con los cambios que aquí se mencionan.
Los modelos de ecuaciones estructurales se han convertido en una de las herramientas analíticas de mayor uso en el ámbito de las Ciencias Sociales. Basta con ojear revistas científicas para percatarse del gran volumen de artículos que someten la bondad de sus hipótesis y modelos a la mirada crítica de esta técnica.
Por ello, se hace esencial la necesidad de asignaturas y cursos que permitan a los estudiantes, conocer los fundamentos de esta técnica y ejecutarla en un software potente sin que ello suponga perderse en tribulaciones estadísticas y teóricas. Esto es aún más importante si tenemos en cuenta la enorme variedad de programas informáticos que podemos encontrar en el mercado. Por otro lado, considerando el contexto en el que se desarrolla fundamentalmente nuestra investigación aplicada y teórica es muy recomendable mostrar la utilidad de los modelos de ecuaciones estructurales para comprender desde una perspectiva analítica los fenómenos sociales y comportamentales que son objeto de nuestro trabajo como profesionales.
El principal objetivo de esta asignatura es proporcionar los conocimientos tanto teóricos como prácticos necesarios sobre los modelos de ecuaciones estructurales para que los alumnos sean capaces de llevar a la práctica este tipo de análisis mediante los programas LISREL y la libreria Lavaan de R.
Para ello, los aspectos concretos que se abordan son los siguientes:
- Revisar y preparar los datos antes de modelarlos mediante ecuaciones estructurales.
- Los conceptos básicos sobre correlación, regresión, “path” análisis y causalidad.
- Diferenciar las distintas fases en el modelado de ecuaciones estructurales.
- Conocer la notación en LISREL y Lavaan.
- Realizar distintas aplicaciones, como análisis factorial confirmatorio de primer y segundo orden y análisis de “causalidad” mediante modelos completos.
Los alumnos deberán tener conocimientos previos de:
- La Teoría Clásica de los Tests.
- Fundamentos del modelo de regresión lineal.
- Conocimiento medio-alto de Inglés.
Los estudiantes podrán contactar con el Equipo Docente por los procedimientos habituales: el correo electrónico, a través de los foros del curso virtual y por teléfono.
- Dr. Francisco Pablo Holgado Tello
Tel.: 91 398 86 48.
Martes de 10:00 a 14:00 horas.
e-mail: pfholgado@psi.uned.es
- Dr. Juan Carlos Suárez Falcón
Tel.: 91 398 6249.
Martes de 10:00 a 14:00 horas.
e-mail: jcsuarez@psi.uned.es
CG1 - Tomar conciencia de la importancia de la metodología en la adquisición del conocimiento científico, así como de la diversidad metodológica existente para abordar distintos problemas de conocimiento
CG2 - Desarrollar el razonamiento crítico y la capacidad para realizar análisis y síntesis de la información disponible.
CG3 - Saber identificar las necesidades y demandas de los contextos en los que se exige la aplicación de herramientas metodológicas y aprender a proponer las soluciones apropiadas.
CG4 - Planificar una investigación identificando problemas y necesidades, y ejecutar cada uno de sus pasos (diseño, medida, proceso de datos, análisis de datos, modelado, informe).
CG5 - Obtener información de forma efectiva a partir de libros, revistas especializadas y otras fuentes.
CG6 - Desarrollar y mantener actualizadas competencias, destrezas y conocimientos según los estándares propios de la profesión.
COMPETENCIAS ESPECÍFICAS
CE2 - Procesar datos (conocer la estructura de las bases de datos y manejarse eficientemente con ellas).
CE3 - Preparar los datos para el análisis (desenvolverse en la relación entre bases de datos y análisis estadístico).
CE4 - Analizar datos identificando diferencias y relaciones. Esto implica conocer las diferentes herramientas de análisis, así como su utilidad y aplicabilidad en cada contexto.
CE6 - Formular, estimar y ajustar modelos capaces de simular procesos psicológicos.
CE9 - Definir, medir y describir variables (personalidad, aptitudes, actitudes, etc..) y procesos (cognitivos, emocionales, psicobiológicos, conductuales).
Habilidades y destrezas:
- Revisar y preparar los datos antes de modelarlos mediante ecuaciones estructurales;
- Diferenciar y conocer los conceptos básicos sobre correlación, regresión, “path” análisis y causalidad;
- Diferenciar las distintas fases en el modelado de ecuaciones estructurales;
- Conocer la notación en LISREL;
- Realizar distintas aplicaciones, como análisis factorial confirmatorio de primer y segundo orden y análisis de “causalidad” mediante modelos completos.
Actitudes.
• Revisar y criticar estudios empíricos previos sobre la base de sus planteamientos analíticos.
• Plantear discusiones teóricas basadas en los resultados obtenidos.
• Informar sobre los resultados y generalizarlos si es posible, relacionándolos con estudios previos en el ámbito del contexto teórico en que se realizan.
• Trabajar de forma minuciosa y ordenada en el tratamiento de datos como estrategia de autoprotección contra errores y como forma de dar rigor y prudencia a las conclusiones derivadas de los análisis.
• Acercarse con actitud crítica a los informes de investigación, sabiendo cómo y dónde dirigir la atención para encontrar fortalezas y debilidades.
Competencias
• Desarrollar el interés tanto por la investigación teórica como aplicada.
• Saber interpretar los resultados obtenidos en investigaciones previas y poner en relación unos resultados con otros.
• Comparar los resultados obtenidos mediante distintos procedimientos e interpretar las causas de las diferencias.
• Representar e integrar datos provenientes de la investigación empírica mediante resúmenes, tablas y gráficos.
• Elaborar informes técnicos.
• Obtener de forma autónoma y eficiente información relevante a partir de las fuentes bibliográficas relacionadas con el análisis y modelización de los datos.
• Obtener información de forma efectiva a partir de libros, revistas especializadas y otras fuentes.
• Desarrollar y mantener actualizadas competencias, destrezas y conocimientos según los estándares propios de la profesión.
Tema 1: Antecedentes de los modelos de ecuaciones estructurales y uso actual.
Tema 2: Preparación y examen previo de los datos.
Tema 3: Conceptos previos para los modelos de ecuaciones estructurales.
Tema 4: Conceptos básicos y fases en la contrucción de un modelo de ecuaciones estructurales.
Tema 5: Componentes en los modelos de ecuaciones estructurales.
Tema 6: Análisis factorial confirmatorio de primer orden.
Tema 7: Análisis factorial confirmatorio de segundo orden y condiciones de paralelismo.
Tema 8: Modelos completos y de mediación con variables observadas (path analysis)
El estudio de la materia se hará a partir de la bibliografía básica de la asignatura y del material disponible en la plataforma de aprendizaje.
Dadas las características de la materia se emplearán, de forma escalonada, tres metodologías de aprendizaje:
Resolución de problemas y ejercicios:
A partir de un problema se plantean cuestiones teóricas y practicas cuya solución requiere de los conocimientos implicados en cada unidad temática y retomando cuestiones específicas de las anteriores.
Aprendizaje basado en problemas:
Como complemento al aprendizaje anterior, el equipo docente de la asignatura, a través del curso virtual, propondrá trabajos con el fin de que demuestren los conocimientos adquiridos. Algunos de estos trabajos consistirán en ofrecerles datos obtenidos en una investigación concreta para que se realicen distintos análisis de datos y se emitan un informe de los resultados. Este trabajo será evaluado por el equipo docente.
Aprendizaje orientado a proyectos:
Los alumnos, de forma autónoma, deberán realizar trabajos a partir de datos. A partir de las instrucciones que les dará el equipo docente, los alumnos, a nivel individual, deberán realizar un estudio sobre dichos datos.
TIPO DE PRUEBA PRESENCIAL
|
Tipo de examen |
Tipo de examen |
Examen de desarrollo |
Preguntas desarrollo |
Preguntas desarrollo |
10 |
Duración |
Duración |
120 (minutos) |
Material permitido en el examen |
Material permitido en el examen |
Calculadora
Todo tipo de material escrito
|
Criterios de evaluación |
Criterios de evaluación |
Cada una de las 10 preguntas del examen se valorará con un punto siempre y cuando la respuesta dada por el alumno sea totalmente correcta.
|
|
% del examen sobre la nota final |
% del examen sobre la nota final |
50 |
Nota mínima del examen para aprobar sin PEC |
Nota mínima del examen para aprobar sin PEC |
10 |
Nota máxima que aporta el examen a la calificación final sin PEC |
Nota máxima que aporta el examen a la calificación final sin PEC |
5 |
Nota mínima en el examen para sumar la PEC |
Nota mínima en el examen para sumar la PEC |
4 |
Comentarios y observaciones |
Comentarios y observaciones |
La nota obtenida en la PEC se sumará a la nota del examen cuando se haya obtenido en el mismo una calificación igual o superior a 4.
La asignatura se considera aprobada cuando la nota global (examen + PEC) sea igual o superior a 5. Téngase en cuenta que la nota de la PEC sólo podrá computarse si se ha obtenido una nota mínima de 4 en el examen.
|
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS |
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS
|
Requiere Presencialidad |
Requiere Presencialidad |
Si |
Descripción |
Descripción |
Durante las convocatorias oficiales de exámenes que se celebran en los Centros Asociados de la UNED, se realizará un examen de carácter teórico-práctico que contendrá 10 preguntas de desarrollo.
|
Criterios de evaluación |
Criterios de evaluación |
|
Ponderación de la prueba presencial y/o los trabajos en la nota final |
Ponderación de la prueba presencial y/o los trabajos en la nota final |
|
Fecha aproximada de entrega |
Fecha aproximada de entrega |
|
Comentarios y observaciones |
Comentarios y observaciones |
|
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) |
PRUEBAS DE EVALUACIÓN CONTINUA (PEC)
|
¿Hay PEC? |
¿Hay PEC? |
Si,PEC no presencial |
Descripción |
Descripción |
Habrá tres PECs de corte práctico relacionadas con los contenidos impartidos en la asignatura. Dos de las PECs tendrán una calicación máxima de 1,5; mientras que una de ellas tendrá una calificación máxima de 2 puntos. La suma de las calificaciones de las tres PECS es lo que se considerará en la evaluación global como la nota de la PEC.
|
Criterios de evaluación |
Criterios de evaluación |
|
Ponderación de la PEC en la nota final |
Ponderación de la PEC en la nota final |
|
Fecha aproximada de entrega |
Fecha aproximada de entrega |
26/05/2025 |
Comentarios y observaciones |
Comentarios y observaciones |
|
OTRAS ACTIVIDADES EVALUABLES
|
¿Hay otra/s actividad/es evaluable/s? |
¿Hay otra/s actividad/es evaluable/s? |
No |
Descripción |
Descripción |
|
Criterios de evaluación |
Criterios de evaluación |
|
Ponderación en la nota final |
Ponderación en la nota final |
|
Fecha aproximada de entrega |
Fecha aproximada de entrega |
|
Comentarios y observaciones |
Comentarios y observaciones |
|
¿Cómo se obtiene la nota final?
|
Nota final = (0,50* nota de examen) + (nota de la PEC). Téngase en cuenta que la nota de la PEC sólo podrá computarse si se ha obtenido una nota mínima de 4 en el examen.
Para superar la asignatura es necesario obtener una nota final igual o superior a 5 puntos.
|
-Holgado-Tello, F.P., Suárez-Falcón, J.C., Martínez-Huertas y Morata-Ramírez, Mª.A. (2024). Modelos de Ecuaciones Estructurales con LISREL y Lavaan. Sanz y Torres.
- Se les proporcionará a los alumnos artículos científicos y material complementario a través del curso virtual.
Byrne, B. M. (2013). Structural equation modeling with LISREL, PRELIS, and SIMPLIS: Basic concepts, applications, and programming. Psychology Press.
Bollen, K.A. (1989). Structural equations with latent variables. New York: John Wiley
Bollen, K. A., y Long, J. S. (1993). Testing Structural Equation Models. Newbury Park: Sage.
Brown, T. A. (2015). Confrmatory factor analysis for applied research. Nueva York, NY: Guilford.
Foguet, J. B., & Gallart, G. C. (2000). Modelos de ecuaciones estructurales: modelos para el análisis de relaciones causales. La Muralla.
Gómez-Benito, J. (1996). Aportaciones de los modelos de estructura de covarianza al análisis psicométrico. En J. Muñiz (Coord.), Psicometría (pp. 457-554). Madrid: Universitas.
Hayduk, L. (1987). Structural Equation Modeling with LISREL. Essentials and Advances. Baltimore: The Johns Hopkins University Press.
Hu, L. T., y Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural equation modeling: a multidisciplinary journal, 6(1), 1-55.
Jöreskog, K., y Sörbom, D. (1996a). LISREL 8: User´s reference guide. Chicago: Scientific Software International.
Jöreskog, K., y Sörbom, D. (1996b). PRELIS 2: User’s reference guide. Chicago: SSI.
Jöreskog, K. G., Sörbom, D., du Toit, S., & du Toit, M. (2001). LISREL 8: New Statistical Features. Illinois: Scientific Software International.
Kline, R. B. (1998). Principles and practice of Structural Equation Modeling. Nueva York: The Gilford Press.
Disponible en el curso virtual de la asignatura.