Modelo de Ecuaciones Estructurales con AMOS: Ejemplo Completo para TFG y Tesis 2026

El modelo de ecuaciones estructurales (SEM) representa el nivel más avanzado del análisis estadístico multivariante en ciencias sociales, psicología y educación. A diferencia de la regresión múltiple clásica, el SEM con AMOS permite trabajar simultáneamente con variables latentes (constructos no observados directamente, medidos a través de indicadores) y testar relaciones causales entre ellas, controlando el error de medición. Si tu TFG o tesis plantea un modelo teórico con constructos como motivación, satisfacción o capital social, el SEM con AMOS es la herramienta adecuada.

Esta guía cubre las fases esenciales del SEM: especificación, identificación, estimación, evaluación del ajuste y reespecificación, con un ejemplo ilustrado en AMOS 27/29 y redacción de resultados en formato APA 7.

¿Qué es el SEM y en qué se diferencia de la regresión?

El modelo de ecuaciones estructurales integra dos técnicas: el análisis factorial confirmatorio (AFC), que vincula variables latentes con sus indicadores observados, y el análisis de senderos (path analysis), que modela las relaciones causales entre las variables latentes. El SEM mejora sobre la regresión múltiple en cuatro aspectos críticos:

• Control del error de medición: la regresión trata las variables independientes como si fueran medidas perfectamente, lo que subestima las relaciones reales. El SEM modela explícitamente el error de cada indicador.
• Variables latentes: permite incluir constructos que no se observan directamente (motivación, ansiedad, calidad percibida) y que se miden mediante múltiples ítems.
• Evaluación global del modelo: los índices de ajuste permiten valorar si el modelo teórico se ajusta a los datos, algo imposible en la regresión estándar.
• Efectos directos, indirectos y totales: el SEM descompone las relaciones causales de forma sistemática, superando las limitaciones del análisis de mediación basado en regresión.

El software AMOS (Analysis of Moment Structures), desarrollado por Arbuckle e integrado en el paquete IBM SPSS, es el más utilizado por estudiantes de posgrado por su interfaz gráfica intuitiva. Alternativas son lavaan (R), Mplus y LISREL.

Componentes de un modelo SEM: medida y estructural

Fuente: León Darío Bello Parias — Video curso Ecuaciones Estructurales SEM Básico con AMOS

Todo modelo SEM se compone de dos submodelos:

Modelo de medida

Define cómo se relacionan las variables latentes (representadas por elipses en AMOS) con sus indicadores observados (rectángulos). Cada indicador tiene asociado un error de medición (círculo pequeño). Antes de estimar el modelo estructural, se recomienda ajustar el modelo de medida de forma independiente (AFC) para verificar la validez convergente y discriminante.

Modelo estructural

Define las relaciones causales hipotéticas entre variables latentes (y posiblemente variables observadas como covariables). Las flechas de una punta (→) representan relaciones direccionales; las flechas de doble punta (↔) representan covarianzas o correlaciones.

Las seis fases del modelado SEM

1. Especificación: dibujar el modelo basándose en la teoría. Definir qué variables latentes existen, qué indicadores las miden y qué relaciones causales se proponen.
2. Identificación: verificar que el modelo tiene suficientes grados de libertad para ser estimado (ver sección siguiente).
3. Estimación: AMOS estima los parámetros por máxima verosimilitud (ML, el método por defecto) u otros estimadores cuando los datos son no normales (ADF, MLR en R/Mplus).
4. Evaluación del ajuste: valorar si el modelo se ajusta adecuadamente a la matriz de covarianzas observada mediante los índices de ajuste.
5. Reespecificación: si el ajuste es pobre, usar los índices de modificación para mejorar el modelo, siempre con justificación teórica.
6. Interpretación: reportar los coeficientes estandarizados, los efectos directos e indirectos y el ajuste global.

Identificación del modelo: condición necesaria

Un modelo SEM solo puede estimarse si está identificado, es decir, si los parámetros a estimar son menores o iguales a los datos disponibles (la mitad de los elementos de la matriz de covarianzas). El criterio básico es:

• Grados de libertad (gl) = datos disponibles − parámetros libres
• gl > 0: modelo sobreidentificado (estimable y contrastable) ✓
• gl = 0: modelo exactamente identificado (estimable, pero sin índices de ajuste)
• gl < 0: modelo subidentificado (no estimable) ✗

Para que el modelo sea identificado, cada variable latente debe tener su escala fijada (normalmente fijando la carga del primer indicador en 1.0 o la varianza de la variable latente en 1.0), y cada variable latente exógena debe tener al menos 3 indicadores (2 es el límite absoluto, pero produce modelos localmente no identificados).

Índices de ajuste: cuáles reportar y qué umbrales usar

AMOS también reporta el AIC (Akaike Information Criterion), útil para comparar modelos alternativos: el modelo con AIC más bajo es el más parsimonioso.

Ejemplo completo en AMOS paso a paso

Planteamiento: modelo de la influencia de la Calidad de la Enseñanza (CE) y la Motivación Intrínseca (MI) sobre el Rendimiento Académico (RA) en 320 estudiantes universitarios. CE y MI son variables latentes con 4 indicadores cada una; RA es una variable latente con 3 indicadores.

Paso 1: Construir el modelo en AMOS

Abrir AMOS Graphics. Usar la herramienta de elipse para dibujar las tres variables latentes (CE, MI, RA). Con la herramienta de rectángulo, añadir los indicadores. Con la flecha de una punta, dibujar las rutas causales: CE → RA y MI → RA. Añadir la covarianza entre CE y MI (flecha doble punta). Añadir los errores (e1–e11) a cada indicador y los residuos (d1) a RA.

Paso 2: Fijar la escala de las variables latentes

Para CE: fijar la carga del primer indicador (CE_01) en 1.0. Igual para MI y RA. Alternativamente, fijar la varianza de cada variable latente en 1.0 (proporciona coeficientes completamente estandarizados).

Paso 3: Verificar la identificación

Datos disponibles: p(p+1)/2 = 11(12)/2 = 66 elementos. Parámetros libres: 8 cargas factoriales (sin las fijas) + 11 errores + 3 varianzas latentes + 1 covarianza + 2 rutas estructurales = 25. GL = 66 − 25 = 41. El modelo está sobreidentificado y es estimable.

Paso 4: Estimar y evaluar el ajuste

En AMOS: Analyze → Calculate Estimates. Resultados obtenidos:

• χ²(41) = 78.3, p = 0.001; χ²/gl = 1.91 ✓
• CFI = 0.97 ✓; TLI = 0.96 ✓
• RMSEA = 0.054 [IC 90%: 0.031, 0.075] ✓
• SRMR = 0.061 ✓

El ajuste es satisfactorio en todos los índices. Procede la interpretación de los parámetros estructurales.

Paso 5: Interpretar los coeficientes estructurales estandarizados

• CE → RA: β = 0.48, p < 0.001. La calidad de la enseñanza predice positivamente el rendimiento.
• MI → RA: β = 0.35, p < 0.001. La motivación intrínseca predice positivamente el rendimiento.
• Covarianza CE ↔ MI: r = 0.42, p < 0.001.
• R² (RA) = 0.46: el modelo explica el 46% de la varianza del rendimiento académico.

Paso 6: Evaluar el modelo de medida

Verificar la validez convergente: las cargas factoriales estandarizadas deben ser ≥ 0.50 (idealmente ≥ 0.70). La varianza media extraída (VME) de cada constructo debe ser ≥ 0.50. La fiabilidad compuesta (FC) debe ser ≥ 0.70.

Índices de modificación y reespecificación

Si el ajuste es pobre (p. ej., CFI < 0.90), AMOS proporciona índices de modificación (MI): cada índice indica cuánto mejoraría el χ² si se libera ese parámetro. Los más habituales son:

• Correlaciones entre errores de medición (únicamente justificables si los ítems comparten contenido específico además del constructo común).
• Cargas cruzadas (un indicador saturando en más de una variable latente).

SEM vs regresión múltiple: cuándo usar cada uno

Para diseños con una sola variable dependiente, variables observadas directamente y N modesto (< 150), la regresión múltiple o el análisis de mediación con PROCESS son suficientes y más defendibles. Si tu modelo incluye constructos latentes medidos por múltiples ítems y relaciones causales entre ellos, el SEM es la herramienta correcta.

Para evaluar la fiabilidad de los constructos antes de incorporarlos al SEM, consulta nuestra guía sobre el coeficiente omega de McDonald. Si la estructura factorial de tus constructos todavía no está determinada, el paso previo es el análisis factorial exploratorio (AFE).

Cómo redactar los resultados en APA 7

“Se estimó un modelo de ecuaciones estructurales (SEM) mediante máxima verosimilitud con el software AMOS 29 (Arbuckle, 2023). El modelo propuso relaciones causales de la calidad de la enseñanza (CE) y la motivación intrínseca (MI) sobre el rendimiento académico (RA), cada constructo medido por múltiples indicadores. Los índices de ajuste indicaron un ajuste satisfactorio del modelo a los datos: χ²(41) = 78.3, p = 0.001; CFI = 0.97; TLI = 0.96; RMSEA = 0.054 [IC 90%: 0.031, 0.075]; SRMR = 0.061. Los coeficientes estandarizados mostraron que CE (β = 0.48, p < 0.001) y MI (β = 0.35, p < 0.001) predijeron significativamente el rendimiento académico, explicando conjuntamente el 46% de su varianza.”

Preguntas frecuentes sobre SEM con AMOS