Práctico 10: Análisis de Senderos

Análisis de Senderos con lavaan

Autor/a

Gabriel Sotomayor

Fecha de publicación

08 junio 2026

0. Objetivos del Práctico

En este práctico, aprenderemos a especificar, estimar e interpretar modelos de Análisis de Senderos (Path Analysis - PA) utilizando el paquete lavaan en R. Nos enfocaremos en:

  1. Comprender la lógica y sintaxis para definir modelos de senderos en lavaan.
  2. Realizar una revisión de supuestos pertinente para el Análisis de Senderos, adaptando nuestras decisiones según los hallazgos.
  3. Estimar los parámetros del modelo utilizando un estimador adecuado, en este caso, MLR (Máxima Verosimilitud Robusta), debido a la naturaleza continua de los índices promedio utilizados.
  4. Evaluar el ajuste global del modelo a los datos mediante diversos índices.
  5. Interpretar detalladamente los coeficientes path (directos e indirectos) y la varianza explicada (\(R^2\)).
  6. Visualizar el modelo de senderos.

Introducción al Ejemplo

El análisis de senderos permite ir más allá de las correlaciones simples y testear teorías sobre cómo diferentes variables se relacionan entre sí, tanto de forma directa como a través de variables intermedias (mediadoras).

Trabajaremos con un ejemplo adaptado del taller de la Dra. Monica Gerber sobre Ecuaciones Estructurales. El objetivo es analizar el efecto de la posición política sobre el acuerdo con castigos severos para quienes cometen delitos, considerando el autoritarismo de derechas (RWA) como una variable mediadora.

Modelo Hipotetizado Inicial:

Este es el diagrama conceptual que representa nuestra teoría inicial:

1. Carga de Paquetes y Datos

Comenzamos cargando los paquetes que necesitaremos. {lavaan} será nuestra herramienta principal para el análisis de senderos.

# Cargar paquetes
if (!require("pacman")) install.packages("pacman")
pacman::p_load(
  lavaan,
  dplyr,
  lavaanPlot
)

Para este práctico, trabajaremos con la base de datos longitudinal ELSOC_Long_2016_2023.RData. Puedes descargarla desde Dataverse:

👉 Descargar ELSOC_Long_2016_2023.RData

Descarga el archivo .RData y guárdalo en la carpeta raíz de tu proyecto (la misma donde está el archivo .Rproj). Al cargarla se importará el objeto elsoc_long_2016_2023.

Dado que nuestro análisis se centra en el año 2016, filtraremos las observaciones correspondientes a la Ola 1 y construiremos nuestras variables de interés a partir de los ítems originales de la encuesta:

  • Autoritarismo de derechas (RWA): Promedio de los ítems c18_04 (“gobierno firme”), c18_05 (“mandatario fuerte”), c18_06 (“obediencia en niños”) y c18_07 (“obediencia y disciplina”).
  • Acuerdo con castigos severos (Punición): Promedio de los ítems f06_01 (“Asaltantes cumplir condena”) y f06_02 (“Condenas largas”).
  • Posición política: Recodificamos la escala de autoubicación c15 (0-10) en tres dummies (derecha [7-10], centro [4-6], izquierda [0-3]), dejando a los independientes o sin posición (11 o 12) como categoría de referencia. Los coeficientes de cada dummy se interpretan en comparación con ese grupo.
# Cargar la base de datos longitudinal ELSOC
load("ELSOC_Long_2016_2023.RData")

# Preparar las variables del modelo a partir de Ola 1 (2016)
datos <- elsoc_long_2016_2023 %>%
  filter(ola == 1) %>%
  mutate(
    # Convertir perdidos a NA
    c18_04 = ifelse(c18_04 %in% 1:5, c18_04, NA),
    c18_05 = ifelse(c18_05 %in% 1:5, c18_05, NA),
    c18_06 = ifelse(c18_06 %in% 1:5, c18_06, NA),
    c18_07 = ifelse(c18_07 %in% 1:5, c18_07, NA),
    f06_01 = ifelse(f06_01 %in% 1:5, f06_01, NA),
    f06_02 = ifelse(f06_02 %in% 1:5, f06_02, NA)
  ) %>%
  mutate(
    # Construcción de variables promedio y dummies políticas
    castigo_media = (f06_01 + f06_02) / 2,
    rwa_media     = (c18_04 + c18_05 + c18_06 + c18_07) / 4,
    derecha       = ifelse(c15 %in% 7:10, 1, ifelse(c15 %in% c(0:6, 11:12), 0, NA)),
    izquierda     = ifelse(c15 %in% 0:3, 1, ifelse(c15 %in% c(4:12), 0, NA)),
    centro        = ifelse(c15 %in% 4:6, 1, ifelse(c15 %in% c(0:3, 7:12), 0, NA))
  )

2. Revisión de Datos

Antes de ajustar el modelo, revisamos las características de los datos y su relación con los supuestos de la técnica.

variables_modelo <- c("castigo_media", "rwa_media", "derecha", "izquierda", "centro")
datos_modelo <- select(datos, all_of(variables_modelo))

datos_modelo_completos <- na.omit(datos_modelo)

casos <- data.frame(
  momento = c("Antes de eliminar NA", "Después de eliminar NA", "Eliminadas"),
  n = c(
    nrow(datos_modelo),
    nrow(datos_modelo_completos),
    nrow(datos_modelo) - nrow(datos_modelo_completos)
  )
)

casos
round(cor(datos_modelo_completos), 2)
              castigo_media rwa_media derecha izquierda centro
castigo_media          1.00      0.28    0.07     -0.09  -0.06
rwa_media              0.28      1.00    0.11     -0.19  -0.02
derecha                0.07      0.11    1.00     -0.15  -0.23
izquierda             -0.09     -0.19   -0.15      1.00  -0.28
centro                -0.06     -0.02   -0.23     -0.28   1.00
asimetria <- function(x) mean(((x - mean(x)) / sd(x))^3)
curtosis <- function(x) mean(((x - mean(x)) / sd(x))^4) - 3

normalidad <- data.frame(
  variable = names(datos_modelo_completos),
  asimetria = sapply(datos_modelo_completos, asimetria),
  curtosis = sapply(datos_modelo_completos, curtosis)
) %>%
  mutate(across(where(is.numeric), function(x) round(x, 2)))

normalidad

Lectura:

  • Casos Perdidos: Se eliminaron 120 observaciones debido a valores perdidos en alguna de las variables del modelo, quedando 2807 casos completos para el análisis. Esta pérdida es de aproximadamente 4.1%.
  • Correlaciones (Pearson):
    • castigo_media y rwa_media muestran una correlación positiva moderada de 0.28.
    • rwa_media tiene una correlación positiva con derecha (0.11) y negativa con izquierda (-0.19), y prácticamente nula con centro (-0.02).
    • castigo_media tiene una correlación positiva baja con derecha (0.07) y negativa con izquierda (-0.09) y centro (-0.06).
    • No se observan correlaciones altas (ej. > 0.80) entre los predictores de rwa_media, lo que sugiere que la multicolinealidad no debiera dominar la estimación.
  • Distribución: La tabla de asimetría y curtosis muestra que las variables del modelo no siguen una forma normal simétrica. Dado que castigo_media y rwa_media son índices promedio continuos, usaremos MLR (Maximum Likelihood Robust / Máxima Verosimilitud Robusta) para estimar errores estándar e índices de ajuste con correcciones robustas.

3. Especificación y Estimación del Modelo de Senderos Inicial

Especificamos el modelo donde el autoritarismo (rwa_media) actúa como una variable intermedia entre la posición política y el acuerdo con castigos severos (castigo_media).

Sintaxis de lavaan:

Sintaxis Operador Ejemplo
Regresión ~ Y ~ X (Y es predicha por X)
Covarianza / Varianza ~~ X1 ~~ X2 (Covarianza entre errores/variables)
Parámetro Definido := ind := a*b (Definición de efectos indirectos)
Etiquetar Path * Y ~ b1*X (Etiqueta el path como b1) 
# Especificar el modelo de senderos inicial
mod_sendero1_spec <- '
  # Regresiones (senderos directos)
  castigo_media ~ rwa_media          
  rwa_media     ~ derecha + izquierda + centro 
'

# Ajustar el modelo usando MLR y datos_modelo_completos
ajus_sendero1 <- sem(model = mod_sendero1_spec, 
                     data = datos_modelo_completos, 
                     estimator = "MLR") # Estimador robusto

Modelo inicial

summary(ajus_sendero1, 
        fit.measures = TRUE,
        standardized = TRUE,
        rsquare = TRUE)
lavaan 0.6-21 ended normally after 1 iteration

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                         6

  Number of observations                          2807

Model Test User Model:
                                              Standard      Scaled
  Test Statistic                                20.084      19.411
  Degrees of freedom                                 3           3
  P-value (Chi-square)                           0.000       0.000
  Scaling correction factor                                  1.035
    Yuan-Bentler correction (Mplus variant)                       

Model Test Baseline Model:

  Test statistic                               376.055     337.175
  Degrees of freedom                                 7           7
  P-value                                        0.000       0.000
  Scaling correction factor                                  1.115

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    0.954       0.950
  Tucker-Lewis Index (TLI)                       0.892       0.884
                                                                  
  Robust Comparative Fit Index (CFI)                         0.954
  Robust Tucker-Lewis Index (TLI)                            0.892

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -6354.047   -6354.047
  Scaling correction factor                                  1.447
      for the MLR correction                                      
  Loglikelihood unrestricted model (H1)      -6344.005   -6344.005
  Scaling correction factor                                  1.310
      for the MLR correction                                      
                                                                  
  Akaike (AIC)                               12720.093   12720.093
  Bayesian (BIC)                             12755.733   12755.733
  Sample-size adjusted Bayesian (SABIC)      12736.668   12736.668

Root Mean Square Error of Approximation:

  RMSEA                                          0.045       0.044
  90 Percent confidence interval - lower         0.028       0.027
  90 Percent confidence interval - upper         0.065       0.063
  P-value H_0: RMSEA <= 0.050                    0.629       0.662
  P-value H_0: RMSEA >= 0.080                    0.001       0.001
                                                                  
  Robust RMSEA                                               0.045
  90 Percent confidence interval - lower                     0.027
  90 Percent confidence interval - upper                     0.065
  P-value H_0: Robust RMSEA <= 0.050                         0.630
  P-value H_0: Robust RMSEA >= 0.080                         0.001

Standardized Root Mean Square Residual:

  SRMR                                           0.020       0.020

Parameter Estimates:

  Standard errors                             Sandwich
  Information bread                           Observed
  Observed information based on                Hessian

Regressions:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  castigo_media ~                                                       
    rwa_media         0.280    0.022   12.565    0.000    0.280    0.279
  rwa_media ~                                                           
    derecha           0.178    0.041    4.362    0.000    0.178    0.072
    izquierda        -0.414    0.050   -8.259    0.000   -0.414   -0.191
    centro           -0.092    0.033   -2.771    0.006   -0.092   -0.055

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .castigo_media     0.557    0.024   22.967    0.000    0.557    0.922
   .rwa_media         0.570    0.018   32.257    0.000    0.570    0.955

R-Square:
                   Estimate
    castigo_media     0.078
    rwa_media         0.045

Lectura del modelo inicial:

  • Ajuste Global del Modelo:
    • Test \(\chi^2_{\text{scaled}}\) (corrección Yuan-Bentler): El estadístico robusto es 19.411 con 3 grados de libertad (\(p < 0.001\)). Aunque el p-valor significativo sugiere desajuste, este estadístico es sensible al tamaño muestral en muestras grandes (\(N = 2807\)), por lo que conviene complementar su lectura con otros índices heurísticos (Kline, 2023).
    • Robust CFI = 0.954; Robust TLI = 0.892: El CFI robusto supera el umbral tradicionalmente aceptado de 0.90 (e incluso el de 0.95). El TLI robusto se sitúa en 0.892, levemente por debajo del umbral de 0.90.
    • Robust RMSEA = 0.045 (IC 90%: 0.028 - 0.065): Se ubica bajo el criterio de 0.05, lo que sugiere buen ajuste de aproximación por grados de libertad.
    • SRMR = 0.020: Se ubica bajo el límite de 0.08, lo que indica discrepancias pequeñas entre correlaciones observadas y reproducidas.
    • Conclusión de Ajuste Inicial: Los índices robustos globales sugieren un ajuste razonable, aunque el TLI marginalmente bajo (0.892) motiva revisar el ajuste local.
  • Estimaciones de los Senderos (Std.all para estandarizados):
    • castigo_media ~ rwa_media: El coeficiente path estandarizado es 0.279 (\(p < 0.001\)). Por cada aumento de una desviación estándar en autoritarismo (rwa_media), el acuerdo con castigos severos (castigo_media) aumenta en promedio estimado un 0.279 DE. Es una asociación positiva y estadísticamente significativa.
    • rwa_media ~ derecha: Path = 0.072 (\(p < 0.001\)). Autoubicarse en la derecha (en comparación con ser independiente/ninguno) se asocia con un aumento estimado de 0.072 DE en autoritarismo.
    • rwa_media ~ izquierda: Path = -0.191 (\(p < 0.001\)). Autoubicarse en la izquierda se asocia con una disminución estimada de 0.191 DE en autoritarismo.
    • rwa_media ~ centro: Path = -0.055 (\(p = 0.006\)). Autoubicarse en el centro se asocia con una disminución estimada de 0.055 DE en autoritarismo.
  • \(R^2\) (Varianza Explicada):
    • Para castigo_media: \(R^2 = 0.078\) (el modelo explica el 7.8% de su varianza).
    • Para rwa_media: \(R^2 = 0.045\) (el modelo explica el 4.5% de su varianza).

3.1 Evaluación del Ajuste Local (Matriz de Residuos)

Siguiendo a Kline (2023), la evaluación de un modelo estructural no debiera limitarse a los índices de ajuste global. Los índices globales pueden enmascarar desajustes locales entre variables específicas. Por ello, inspeccionamos la Matriz de Residuos de Correlación.

Un residuo de correlación es la discrepancia entre la correlación observada empíricamente en la muestra y la correlación reproducida por las restricciones del modelo. Como criterio práctico, buscamos que los residuos de correlación en valor absoluto sean inferiores a 0.10 (Kline, 2023). Usamos este criterio porque evalúa el tamaño del desajuste en la escala de correlaciones; los residuos estandarizados, en cambio, son sensibles al tamaño muestral y pueden marcar como problemáticas discrepancias pequeñas cuando N es grande.

En lavaan, podemos extraer y visualizar la matriz de residuos de correlación utilizando lavResiduals con type = "cor" y accediendo al elemento [["cov"]] de la lista resultante:

residuos_list <- lavResiduals(ajus_sendero1, type = "cor")
residuos_cor <- residuos_list[["cov"]]
round(residuos_cor, 3)
              cstg_m rwa_md derech izqurd centro
castigo_media  0.000                            
rwa_media      0.000  0.000                     
derecha        0.042  0.000  0.000              
izquierda     -0.041  0.000  0.000  0.000       
centro        -0.052  0.000  0.000  0.000  0.000

Lectura del ajuste local:

  • Como se observa en la consola, los residuos de correlación son pequeños. Las mayores discrepancias se presentan en la relación de castigo_media con las variables de posición política: ser de centro (-0.052), derecha (0.042) e izquierda (-0.041).
  • Estos residuos se encuentran bajo el umbral de 0.10, lo que sugiere que no hay desajustes locales grandes.
  • Sustento para la Reespecificación: Aunque los residuos son aceptables, su patrón entre posición política y acuerdo con el castigo sugiere evaluar si la ideología política se asocia con actitudes punitivas no solo a través del autoritarismo, sino también mediante un efecto directo estadístico. Esta reespecificación debe leerse como una extensión teóricamente motivada del modelo inicial.

4. Modelo Modificado: Incluyendo Efectos Directos y Definiendo Efectos Indirectos

Dado que la teoría sugiere que la ideología política (derecha) tiene influencias tanto directas como indirectas sobre las actitudes hacia el castigo, especificaremos un modelo reespecificado. Añadiremos una relación directa de derecha sobre castigo_media y calcularemos explícitamente el efecto indirecto y el efecto total usando el operador :=.

Nuevo Modelo Hipotetizado: 

# Especificar el modelo con efecto directo de 'derecha' y etiquetas para efectos indirectos/totales
mod_sendero2_spec <- '
  # Regresiones (senderos directos con etiquetas a, b, c)
  castigo_media ~ a*rwa_media + c*derecha   # a es rwa->castigo, c es derecha->castigo
  rwa_media     ~ b*derecha + izquierda + centro # b es derecha->rwa
  
  # Definir efecto indirecto de derecha sobre castigo_media via rwa_media
  ind_derecha_rwa := a*b
  
  # Definir efecto total de derecha sobre castigo_media
  total_derecha_rwa := (a*b) + c 
'

# Ajustar el modelo modificado con MLR
ajus_sendero2 <- sem(model = mod_sendero2_spec, 
                     data = datos_modelo_completos,
                     estimator = "MLR")

Modelo modificado

summary(ajus_sendero2, 
        fit.measures = TRUE, 
        standardized = TRUE, 
        rsquare = TRUE)
lavaan 0.6-21 ended normally after 1 iteration

  Estimator                                         ML
  Optimization method                           NLMINB
  Number of model parameters                         7

  Number of observations                          2807

Model Test User Model:
                                              Standard      Scaled
  Test Statistic                                14.694      13.653
  Degrees of freedom                                 2           2
  P-value (Chi-square)                           0.001       0.001
  Scaling correction factor                                  1.076
    Yuan-Bentler correction (Mplus variant)                       

Model Test Baseline Model:

  Test statistic                               376.055     337.175
  Degrees of freedom                                 7           7
  P-value                                        0.000       0.000
  Scaling correction factor                                  1.115

User Model versus Baseline Model:

  Comparative Fit Index (CFI)                    0.966       0.965
  Tucker-Lewis Index (TLI)                       0.880       0.876
                                                                  
  Robust Comparative Fit Index (CFI)                         0.966
  Robust Tucker-Lewis Index (TLI)                            0.881

Loglikelihood and Information Criteria:

  Loglikelihood user model (H0)              -6351.352   -6351.352
  Scaling correction factor                                  1.376
      for the MLR correction                                      
  Loglikelihood unrestricted model (H1)      -6344.005   -6344.005
  Scaling correction factor                                  1.310
      for the MLR correction                                      
                                                                  
  Akaike (AIC)                               12716.703   12716.703
  Bayesian (BIC)                             12758.282   12758.282
  Sample-size adjusted Bayesian (SABIC)      12736.041   12736.041

Root Mean Square Error of Approximation:

  RMSEA                                          0.048       0.046
  90 Percent confidence interval - lower         0.027       0.025
  90 Percent confidence interval - upper         0.072       0.069
  P-value H_0: RMSEA <= 0.050                    0.519       0.581
  P-value H_0: RMSEA >= 0.080                    0.012       0.006
                                                                  
  Robust RMSEA                                               0.047
  90 Percent confidence interval - lower                     0.026
  90 Percent confidence interval - upper                     0.072
  P-value H_0: Robust RMSEA <= 0.050                         0.522
  P-value H_0: Robust RMSEA >= 0.080                         0.014

Standardized Root Mean Square Residual:

  SRMR                                           0.014       0.014

Parameter Estimates:

  Standard errors                             Sandwich
  Information bread                           Observed
  Observed information based on                Hessian

Regressions:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  castigo_media ~                                                       
    rwa_media  (a)    0.276    0.022   12.270    0.000    0.276    0.274
    derecha    (c)    0.105    0.044    2.394    0.017    0.105    0.042
  rwa_media ~                                                           
    derecha    (b)    0.178    0.041    4.362    0.000    0.178    0.072
    izquierda        -0.414    0.050   -8.259    0.000   -0.414   -0.191
    centro           -0.092    0.033   -2.771    0.006   -0.092   -0.055

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .castigo_media     0.556    0.024   22.937    0.000    0.556    0.921
   .rwa_media         0.570    0.018   32.257    0.000    0.570    0.955

R-Square:
                   Estimate
    castigo_media     0.079
    rwa_media         0.045

Defined Parameters:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
    ind_derecha_rw    0.049    0.012    4.194    0.000    0.049    0.020
    total_derch_rw    0.154    0.045    3.394    0.001    0.154    0.062

Lectura del modelo modificado:

  • Ajuste Global del Modelo Modificado:
    • Test \(\chi^2_{\text{scaled}}\): 13.653 con 2 grados de libertad (\(p = 0.001\)). El estadístico disminuyó significativamente respecto al primer modelo (era 19.411), lo que refleja un mejor ajuste tras la inclusión del path directo. (Scaling correction factor = 1.076).
    • Robust CFI = 0.966; Robust TLI = 0.881: El CFI robusto aumentó y supera el criterio heurístico de 0.95. El TLI robusto sigue ubicándose en una zona marginal debido a la penalización por grados de libertad en modelos con muy pocos parámetros, lo que recuerda que los índices son heurísticos y no reglas absolutas (Kline, 2023).
    • Robust RMSEA = 0.047 (IC 90%: 0.027 - 0.072): Sugiere un buen ajuste de aproximación (<0.05), con un límite superior del intervalo de confianza por debajo de 0.08.
    • SRMR = 0.014: Disminuyó de 0.020 a 0.014, lo que indica discrepancias locales pequeñas.
    • Conclusión de Ajuste: La reespecificación del modelo mejora algunos índices de ajuste y permite representar el efecto directo de derecha.
  • Estimaciones de los Senderos (Std.all para estandarizados):
    • castigo_media ~ rwa_media (path a): Coeficiente estandarizado = 0.274 (\(p < 0.001\)).
    • castigo_media ~ derecha (path c): Coeficiente estandarizado = 0.042 (\(p = 0.017\)). Esto indica una asociación directa positiva entre autoubicarse en la derecha y el acuerdo con castigos severos, controlando por el nivel de autoritarismo.
    • rwa_media ~ derecha (path b): Coeficiente estandarizado = 0.072 (\(p < 0.001\)).
  • \(R^2\) (Varianza Explicada):
    • Para castigo_media: \(R^2 = 0.079\) (el modelo explica el 7.9% de su varianza).
    • Para rwa_media: \(R^2 = 0.045\) (el modelo explica el 4.5% de su varianza).
  • Parámetros Definidos (Defined Parameters - Std.all):
    • ind_derecha_rwa (a*b): El efecto indirecto estimado de derecha sobre castigo_media a través del autoritarismo es 0.020 (\(p < 0.001\), coeficiente no estandarizado = 0.049). Es estadísticamente significativo.
    • total_derecha_rwa ((a*b)+c): El efecto total estandarizado de derecha es 0.062 (\(p = 0.001\), coeficiente no estandarizado = 0.154).
    • Interpretación Sustantiva: Ser de derecha se asocia con un mayor acuerdo con castigos severos. Este efecto total está compuesto por una asociación directa de carácter ideológico (path c) y una relación indirecta estadísticamente significativa mediada por el nivel de autoritarismo del individuo (path a * b).

5. Visualización del Modelo Final (con lavaanPlot)

# Diagrama del modelo de senderos modificado
lavaanPlot(
  model = ajus_sendero2, 
  node_options = list(shape = "box", fontname = "Helvetica"),
  edge_options = list(color = "black"),
  coefs = TRUE,          # Muestra los coeficientes
  stand = TRUE,          # Usa coeficientes estandarizados
  stars = "regress"      # Añade estrellas de significancia
)

Interpretación del Gráfico: El diagrama visualiza el modelo especificado. Las flechas muestran los coeficientes de regresión estandarizados (Std.all). Las estrellas indican que todas las trayectorias representadas son estadísticamente significativas a un nivel de confianza del 95% o superior.

6. Cierre

En este práctico hemos:

  1. Evaluado los supuestos del Análisis de Senderos, diagnosticando violaciones a la normalidad multivariante, lo que fundamentó el uso del estimador robusto MLR (Maximum Likelihood Robust) para variables continuas promediadas en R.
  2. Especificado y estimado un modelo inicial y un modelo modificado que incorpora un sendero directo de la posición política.
  3. Examinado el Ajuste Local mediante la Matriz de Residuos de Correlación, encontrando discrepancias mínimas e inferiores al \(|0.10|\) recomendado (Kline, 2023).
  4. Definido y testeado un efecto indirecto estadístico (0.020) y un efecto total (0.062) de autoubicarse en la derecha sobre el acuerdo con el castigo, mediado por el autoritarismo.

Nota sobre la Inferencia Causal y Modelos Equivalentes

Al trabajar con datos transversales (cross-sectional) como los de la Ola 1 de ELSOC, estos resultados deben interpretarse con cautela metodológica:

  • Ausencia de Precedencia Temporal: La mediación teórica es un proceso causal dinámico que requiere precedencia temporal, es decir, que la causa anteceda a la variable intermedia, y esta al resultado en el tiempo (\(X \longrightarrow M \longrightarrow Y\)). Al haber medido todas las variables en un mismo instante, lo que estimamos son únicamente efectos indirectos estadísticos (asociaciones condicionadas).
  • Modelos Equivalentes: Estadísticamente, existen especificaciones alternativas (ej. que el acuerdo con el castigo genere mayor autoritarismo, o que ambos sean explicados por un factor común omitido) que reproducirían exactamente la misma matriz de covarianza implicada y, por lo tanto, los mismos índices de ajuste global.
  • Recomendación: La validez de la direccionalidad de las flechas no descansa en los índices de ajuste de R, sino en la solidez de la teoría sociológica y en la explotación de diseños longitudinales (ej. analizando olas de seguimiento de ELSOC).