FASES EN LA ELABORACION DE UN MODELO ESTRUCTURAL

1.- Introducción .......................................................................................................................... 2 2.- Optimización del modelo de medida ..................................................................................... 3 2.1.- Constructo de Bienestar subjetivo ..................................................................................... 3 2.2.- Constructo de Satisfacción ................................................................................................. 9 2.3.- Constructo de Motivación ............................................................................................... 12 3.- Validación y optimización del modelo estructural ............................................................. 16 3.2.- Constructos de segundo orden ......................................................................................... 20

2

FASES EN LA ELABORACION DE UN MODELO ESTRUCTURAL

1.- Introducción

En las siguientes páginas se ofrecen los distintos pasos a realizar en la elaboración de un modelo estructural. Tiene carácter práctico y no se limita a la fase última, que es la validación del modelo, sino que arranca desde el principio, lo que es la depuración de los ítems que integran los indicadores de los diferentes constructos en aras de mejorar la parte del modelo de medida. Una vez corregidos los datos y con los ítems adecuados, nos concentramos en c) la validación de la parte estructural del modelo y optimizarlo si fuera posible. Trabajaremos con el siguiente fichero:

Donde tenemos un entorno Windows, con sus cuadros de diálogos correspondientes, parecidos a otros paquetes estadísticos como SPSS. Por ejemplo:

Lo que no nos va hacer falta por el momento porque recurriremos a la sintaxis.

3

2.- Optimización del modelo de medida

A continuación trabajamos con los diferentes constructos al objeto de seleccionar los ítems más adecuados que definen tales constructos.

2.1.- Constructo de Bienestar subjetivo

Procedemos a determinar el constructo para los indicadores que constituyen la variable Bienestar subjetivo. Aplicaremos un análisis factorial confirmatorio a través del LISREL. Aquí, le damos las siguientes instrucciones:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES BIENSUBJ RELATIONSHIPS BIENES49 BIENES50 BIENES51 BIENES52 BIENES53 BIENES54 BIENES55 = BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

La salida gráfica:

4

La discrepancia con el modelo saturado es muy alta (un indicador de la discrepancia entre las correlaciones reproducidas por le modelo y las reales), tal como indica la Chi-Cuadrado. Esto no es muy preocupante porque depende del tamaño de la muestra, que es grande. Sí es un problema RMSA, que es un indicador de la media de los errores cuadráticos estandarizados, y que al ser la media ya no depende de N. El valor de RMSEA debe ser como máximo 0.10. Miramos las salidas:

BIENES49 = 0.50*BIENSUBJ, Errorvar.= 0.28 , R² = 0.48 (0.045) (0.031) 11.02 8.80 BIENES50 = 0.47*BIENSUBJ, Errorvar.= 0.26 , R² = 0.46 (0.044) (0.029) 10.69 8.95 BIENES51 = 0.57*BIENSUBJ, Errorvar.= 0.37 , R² = 0.46 (0.052) (0.041) 10.83 8.89 BIENES52 = 0.55*BIENSUBJ, Errorvar.= 0.36 , R² = 0.46 (0.051) (0.040) 10.80 8.90 BIENES53 = 0.71*BIENSUBJ, Errorvar.= 0.40 , R² = 0.55 (0.058) (0.050) 12.16 8.11 BIENES54 = 0.59*BIENSUBJ, Errorvar.= 0.69 , R² = 0.34 (0.067) (0.071) 8.85 9.64 BIENES55 = 0.19*BIENSUBJ, Errorvar.= 0.62 , R² = 0.055 (0.058) (0.059) 3.29 10.56

La R cuadrado de BIENES 55 no es muy alta. Si vamos a los índices de modificación:

The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate BIENES50 BIENES49 105.0 0.24 BIENES53 BIENES49 13.8 -0.12 BIENES53 BIENES50 13.6 -0.11 BIENES54 BIENES49 19.9 -0.15 BIENES54 BIENES50 20.0 -0.15 BIENES54 BIENES53 52.5 0.32 BIENES55 BIENES50 12.7 -0.10 BIENES55 BIENES54 17.5 0.19

Se nos sugiere que BIENES50 y BIENES49 covarían en sus errores (o sea, comparten variables que no han sido contempladas en el modelo). Como también comparten variabilidad al pertenecer al mismo constructo, se deduce que comparten mucho (las variables que están y las que no están), así que podemos o bien añadirle la covarianza entre sus errores como sugiere el LISREL, o bien si son redundantes eliminamos una de ellas (la que menos participe en el constructo) y le ahorramos

5

tiempo al entrevistado, que los cuestionarios largos cansan y las respuestas acaban degradándose. Si vamos al cuestionario:

Se observa que la última tiene menos que ver con las ganas de innovar, y las dos primeras prácticamente obedecen a la misma pregunta. Eliminamos la 50 y 55. Probamos con las restantes:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES BIENSUBJ RELATIONSHIPS BIENES49 BIENES51 BIENES52 BIENES53 BIENES54 = BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

6

Seguimos mal. Vamos a los Índices de modificación:

The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate BIENES52 BIENES49 8.5 0.09 BIENES53 BIENES51 10.3 -0.14 BIENES54 BIENES49 10.6 -0.12 BIENES54 BIENES52 10.5 -0.13 BIENES54 BIENES53 32.7 0.30

La 54 covaría con unas cuantas. Podemos poner tales covarianzas como parte el del modelo o bien eliminarla. Veamos la primera:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES BIENSUBJ RELATIONSHIPS BIENES49 BIENES51 BIENES52 BIENES53 BIENES54 = BIENSUBJ SET COVARIANCE ERROR BETWEEN BIENES54 AND BIENES53 BIENES52 BIENES49 PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

El modelo encaja perfectamente pero a costa de ensuciarlo. Podríamos haberlo dejado más coherente manteniendo sólo la covarianza con BIENES53, ya que de alguna manera la consideración profesional es el reflejo de nosotros mismos que nos afecta a la autoestima. Si lo hacemos así:

7

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES BIENSUBJ RELATIONSHIPS BIENES49 BIENES51 BIENES52 BIENES53 BIENES54 = BIENSUBJ SET COVARIANCE ERROR BETWEEN BIENES54 AND BIENES53 PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

El modelo queda bastante aceptable:

No obstante, optamos en aras de la simplicidad eliminar el 54. Entonces:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES BIENSUBJ RELATIONSHIPS BIENES49 BIENES51 BIENES52 BIENES53 = BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

8

El ajuste es muy bueno.

Y sus ecuaciones:

BIENES49 = 0.45*BIENSUBJ, Errorvar.= 0.32 , R² = 0.38 (0.049) (0.037) 9.19 8.85 BIENES51 = 0.58*BIENSUBJ, Errorvar.= 0.35 , R² = 0.50 (0.055) (0.045) 10.71 7.74 BIENES52 = 0.59*BIENSUBJ, Errorvar.= 0.31 , R² = 0.53 (0.053) (0.043) 11.11 7.33 BIENES53 = 0.68*BIENSUBJ, Errorvar.= 0.44 , R² = 0.51 (0.062) (0.059) 10.90 7.55

Voy a calcular la fiabilidad según la lógica de los modelos estructurales y de paso explico un poco los resultados. Aquí, los coeficientes de regresión son las correlaciones de las variables con el factor, y en consecuencia sus cuadrados son las proporciones de variabilidad explicadas. Por ejemplo, para BIENES49, su correlación es 0.62 (coeficiente de regresión en estandarizadas, que es la salida del gráfico), por lo que se explica de ella un 38%, o bien una R cuadrado de 0.38. Y lo que viene a la izquierda del cuadrado es la proporción de variabilidad no explicada, que será 0.62 (38% + 62% = 100%).

9

Estas correlaciones también son lo que se denominan en la Teoría de los test como índice de fiabilidad y su cuadrado el coeficiente de fiabilidad. La fiabilidad del conjunto de esto ítems será la proporción de varianza explicada en el total de ítems. Para ello dividimos la variabilidad explicada por la total (explicada más residual):

( )( ) ∑∑

∑Θ+

=ii

xx 2

2

λ

λρ

En este caso:

Y la fiabilidad de esta escala:

( )( )

( )( ) ( )

786.008.2618.7

618.7

)49.047.050.062.071.073.070.062.071.073.070.062.0

2

2

2

2

=+

=

++++++++++

=Θ+

=∑∑

∑ii

xxλ

λρ

2.2.- Constructo de Satisfacción

Procedemos ahora a trabajar con el constructo de Satisfacción. La sintaxis:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES SATISFAC RELATIONSHIPS SATISP32 SATISP33 SATISP34 SATISP35 SATISP36 SATISP37 SATISP38 SATISP39 SATISP40 = SATISFAC PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

La salida gráfica:

10

No encaja. Vemos más detenidamente lo que pasa:

SATISP32 = 0.57*SATISFAC, Errorvar.= 0.31 , R² = 0.51 (0.049) (0.035) 11.79 8.99 SATISP33 = 0.56*SATISFAC, Errorvar.= 0.66 , R² = 0.33 (0.064) (0.066) 8.85 9.90 SATISP34 = 0.53*SATISFAC, Errorvar.= 0.53 , R² = 0.35 (0.058) (0.054) 9.16 9.84 SATISP35 = 0.81*SATISFAC, Errorvar.= 0.41 , R² = 0.62 (0.060) (0.050) 13.41 8.09 SATISP36 = 0.70*SATISFAC, Errorvar.= 0.54 , R² = 0.48 (0.063) (0.059) 11.22 9.22 SATISP37 = 0.79*SATISFAC, Errorvar.= 0.51 , R² = 0.55 (0.064) (0.059) 12.33 8.73 SATISP38 = 0.37*SATISFAC, Errorvar.= 1.23 , R² = 0.10

11

(0.081) (0.12) 4.62 10.50 SATISP39 = 0.44*SATISFAC, Errorvar.= 0.65 , R² = 0.23 (0.061) (0.064) 7.22 10.20 SATISP40 = 0.60*SATISFAC, Errorvar.= 0.64 , R² = 0.36 (0.064) (0.065) 9.36 9.79

SATISP38, que es la satisfacción económica no les interesa tanto, lo que está bien. Vamos a los índices de modificación:

The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate SATISP34 SATISP33 43.7 0.28 SATISP35 SATISP33 8.7 0.13 SATISP37 SATISP33 16.0 -0.18 SATISP37 SATISP36 14.7 0.17 SATISP39 SATISP32 9.5 0.10 SATISP40 SATISP34 9.9 -0.13

Nos sugiere que la 33 y 34 son las que más correlacionan sus errores. Vemos las preguntas:

La 33 y 34 se parecen mucho, y la 38 no es tan importante en su satisfacción personal. Elimino la 38 y dejo una de las otras dos (la que más correlaciona con el constructo):

BIENESTAR DOCENTE

12

RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES SATISFAC RELATIONSHIPS SATISP32 SATISP34 SATISP35 SATISP36 SATISP37 SATISP39 SATISP40 = SATISFAC PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

El ajuste es bastante aceptable y además no se nos presentan índices de modificación.

2.3.- Constructo de Motivación En relación a este constructo:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES MOTIVA RELATIONSHIPS MOTI1 MOTI2 MOTI3 MOTI4 MOTI5 MOTI6 MOTI7 MOTI8 MOTI9 MOTI10 MOTI11 MOTI12 = MOTIVA PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

La salida:

13

No encaja muy bien. Veamos cuanto explica el constructo:

MOTI1 = 0.88*MOTIVA, Errorvar.= 0.33 , R² = 0.70 (0.062) (0.055) 14.22 5.99 MOTI2 = 0.94*MOTIVA, Errorvar.= 0.33 , R² = 0.73 (0.065) (0.061) 14.61 5.46 MOTI3 = 0.55*MOTIVA, Errorvar.= 1.44 , R² = 0.17 (0.090) (0.14) 6.11 10.32 MOTI4 = 0.22*MOTIVA, Errorvar.= 1.12 , R² = 0.042 (0.076) (0.11) 2.91 10.60 MOTI5 = 0.25*MOTIVA, Errorvar.= 0.91 , R² = 0.066 (0.069) (0.086) 3.66 10.56 MOTI6 = 0.40*MOTIVA, Errorvar.= 0.96 , R² = 0.14

14

(0.073) (0.092) 5.47 10.40 MOTI7 = 0.18*MOTIVA, Errorvar.= 0.82 , R² = 0.038 (0.065) (0.078) 2.77 10.61 MOTI8 = 0.36*MOTIVA, Errorvar.= 1.08 , R² = 0.11 (0.076) (0.10) 4.77 10.47 MOTI9 = 0.39*MOTIVA, Errorvar.= 1.31 , R² = 0.10 (0.084) (0.12) 4.67 10.48 MOTI10 = 0.36*MOTIVA, Errorvar.= 1.21 , R² = 0.097 (0.080) (0.12) 4.48 10.49 MOTI11 = 0.47*MOTIVA, Errorvar.= 1.15 , R² = 0.16 (0.080) (0.11) 5.89 10.35 MOTI12 = 0.40*MOTIVA, Errorvar.= 0.91 , R² = 0.15 (0.071) (0.088) 5.71 10.37

Verdaderamente este constructo está muy disperso. Hay algunas, como la 4, 5, 7 y 10 de las que no parece que se explique mucho.

En cuanto a los índices de modificación:

The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate MOTI2 MOTI1 205.6 1.19 MOTI4 MOTI2 17.5 -0.23 MOTI5 MOTI1 10.8 -0.16 MOTI5 MOTI4 9.5 0.21 MOTI6 MOTI2 13.5 -0.20 MOTI6 MOTI5 10.6 0.21 MOTI7 MOTI2 20.3 -0.21 MOTI7 MOTI4 30.8 0.36 MOTI7 MOTI5 17.6 0.24 MOTI7 MOTI6 25.7 0.30 MOTI8 MOTI5 26.8 0.34 MOTI8 MOTI6 25.7 0.35 MOTI8 MOTI7 10.8 0.21 MOTI9 MOTI2 12.8 -0.22 MOTI9 MOTI6 23.9 0.37 MOTI9 MOTI8 24.3 0.40 MOTI10 MOTI1 13.6 -0.20 MOTI10 MOTI2 14.1 -0.22 MOTI10 MOTI4 11.8 0.27 MOTI11 MOTI1 8.0 -0.16 MOTI11 MOTI2 9.1 -0.18 MOTI11 MOTI10 41.1 0.51 MOTI12 MOTI1 20.5 -0.22 MOTI12 MOTI10 46.8 0.49 MOTI12 MOTI11 74.5 0.60

15

Vemos el cuestionario:

Hay un pequeño lío, pero parece que la 1 y 2 son redundantes, así como la 10, 11 y la 12.

Después de enredar un rato (cuando se elimina una, descubres nuevas relaciones y hay que cambiar los criterios), aparece el siguiente constructo, que es bastante bueno:

16

Hemos eliminado las dos últimas, un tanto redundantes y que explicaban poco. También la 2 redundante con la 1, la 3 que no explicaba y la 4 redundante con la 7. Las que quedan parecen que reflejan más el verdadero sentido de la motivación.

4.- Validación y optimización del modelo estructural

Con los anteriores arreglos ya estamos en condiciones de aventurarnos en el modelo estructural con ciertas garantías de éxito. No obstante, cuando se combinan estos tres constructos con sus correspondientes indicadores nos podemos encontrar con más sorpresas. Con lo que ya sabemos, la sintaxis sería:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES MOTIVA SATISFAC BIENSUBJ RELATIONSHIPS MOTI1 MOTI5 MOTI6 MOTI7 MOTI8 MOTI9 MOTI10 = MOTIVA SATISP32 SATISP34 SATISP35 SATISP36 SATISP37 SATISP39 SATISP40 = SATISFAC BIENES49 BIENES51 BIENES52 BIENES53 = BIENSUBJ MOTIVA -> SATISFAC SATISFAC->BIENSUBJ MOTIVA->BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

La salida gráfica en directas:

17

Y en estandarizadas:

Y los valores de la t de Student:

18

El modelo lo podríamos dar por bueno porque satisface todos los índices, pero es susceptible de mejorarlo.

En relación a las salidas, tenemos que el modelo estructural es:

Structural Equations SATISFAC = 0.77*MOTIVA, Errorvar.= 0.41 , R² = 0.59 (0.083) (0.089) 9.21 4.65 BIENSUBJ = 0.26*SATISFAC + 0.55*MOTIVA, Errorvar.= 0.41 , R² = 0.59 (0.13) (0.14) (0.10) 1.94 3.87 4.06

El modelo de medida de Motivación:

MOTI1 = 0.46*MOTIVA, Errorvar.= 0.90 , R² = 0.19 (0.073) (0.089) 6.21 10.11 MOTI5 = 0.49*MOTIVA, Errorvar.= 0.73 , R² = 0.24 (0.068) (0.074) 7.19 9.87 MOTI6 = 0.67*MOTIVA, Errorvar.= 0.67 , R² = 0.40 (0.069) (0.074) 9.68 8.96

19

MOTI7 = 0.44*MOTIVA, Errorvar.= 0.66 , R² = 0.22 (0.064) (0.067) 6.85 9.96 MOTI8 = 0.74*MOTIVA, Errorvar.= 0.65 , R² = 0.46 (0.071) (0.077) 10.47 8.52 MOTI9 = 0.60*MOTIVA, Errorvar.= 1.10 , R² = 0.24 (0.083) (0.11) 7.20 9.87 MOTI10 = 0.37*MOTIVA, Errorvar.= 1.20 , R² = 0.10 (0.083) (0.12) 4.52 10.39

El de Satisfacción:

SATISP32 = 0.60*SATISFAC, Errorvar.= 0.29 , R² = 0.56 (0.033) 8.77 SATISP34 = 0.47*SATISFAC, Errorvar.= 0.58 , R² = 0.28 (0.062) (0.058) 7.59 10.09 SATISP35 = 0.76*SATISFAC, Errorvar.= 0.48 , R² = 0.55 (0.071) (0.054) 10.77 8.82 SATISP36 = 0.72*SATISFAC, Errorvar.= 0.51 , R² = 0.50 (0.070) (0.056) 10.30 9.13 SATISP37 = 0.78*SATISFAC, Errorvar.= 0.52 , R² = 0.54 (0.073) (0.059) 10.68 8.88 SATISP39 = 0.49*SATISFAC, Errorvar.= 0.60 , R² = 0.29 (0.064) (0.059) 7.74 10.06 SATISP40 = 0.61*SATISFAC, Errorvar.= 0.62 , R² = 0.38 (0.069) (0.063) 8.89 9.75

Y el de Bienestar:

BIENES49 = 0.46*BIENSUBJ, Errorvar.= 0.31 , R² = 0.41

20

(0.034) 9.08 BIENES51 = 0.59*BIENSUBJ, Errorvar.= 0.34 , R² = 0.51 (0.070) (0.041) 8.43 8.28 BIENES52 = 0.56*BIENSUBJ, Errorvar.= 0.36 , R² = 0.47 (0.068) (0.041) 8.18 8.66 BIENES53 = 0.69*BIENSUBJ, Errorvar.= 0.42 , R² = 0.53 (0.081) (0.053) 8.56 8.04

3.2.- Constructos de segundo orden

Supongamos que sospechamos que el constructo Motivación no es unidimensional, esto es, que no todos los indicadores miden lo mismo. Podemos, en este sentido, si tenemos suficientes conocimientos del tema, elaborar una serie de cuestiones correspondientes a los constructos que queremos medir. Si, por el contrario, no tenemos claro los constructos, otra alternativa sería elaborar una serie de preguntas que pensamos guardan relación con la motivación, y a posteriori, mediante un análisis factorial ver qué factores subyacentes hay detrás. Este es el enfoque exploratorio, que más que alternativo del confirmatorio, es complementario.

En este caso, con todas las cuestiones sobre motivación hacemos un factorial:

Si descartamos el 4 y el 5 que no tienen pesos muy claros, entonces tendremos un constructo con los ítems 6, 7 ,8 y 9, otro con 10, 11 y 12, y por último, otro con 1, 2 y 3. Si vamos a las preguntas:

21

Las primeras podríamos considerarlas como las motivaciones intrínsecas en el sentido que tienen que ver con sus aspiraciones personales o como docente. Las segundas tienen que ver con los beneficios que obtienen de su entorno y que podríamos denominarlas como extrínsecas. Las últimas son más bien exigencias administrativas, lo que no parece muy motivante.

Si lo planteamos así, el modelo de medida de la Motivación podría quedar de la siguiente manera:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES EXTERNA INTERNA EXIGE RELATIONSHIPS MOTI1 MOTI2 MOTI3 = EXTERNA MOTI6 MOTI7 MOTI8 MOTI9 = INTERNA MOTI10 MOTI11 MOTI12= EXIGE PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

22

Hemos creado 3 constructos en lugar de 1 como anteriormente. También podemos crear con estos un nuevo constructo (MOTIVA) de segundo orden:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES EXTERNA INTERNA EXIGE MOTIVA RELATIONSHIPS MOTI1 MOTI2 MOTI3 = EXTERNA MOTI6 MOTI7 MOTI8 MOTI9 = INTERNA MOTI10 MOTI11 MOTI12= EXIGE EXTERNA INTERNA EXIGE = MOTIVA PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

23

Que incluso podemos incluirlo en el modelo global y que abarca los 3 subconstructos. Como no estamos muy convencidos de meter en el mismo saco a EXIGE, vamos a hacerlo en principio con los tres constructos por separado:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES SATISFAC BIENSUBJ EXTERNA INTERNA EXIGE RELATIONSHIPS MOTI1 MOTI2 MOTI3 = EXTERNA MOTI6 MOTI7 MOTI8 MOTI9 = INTERNA MOTI10 MOTI11 MOTI12= EXIGE EXTERNA INTERNA EXIGE -> SATISFAC SATISP32 SATISP34 SATISP35 SATISP36 SATISP37 SATISP39 SATISP40 = SATISFAC BIENES49 BIENES51 BIENES52 BIENES53 = BIENSUBJ EXTERNA INTERNA EXIGE -> BIENSUBJ SATISFAC->BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

24

Se observa que la motivación intrínseca liga tanto con la Satisfacción como con el Bienestar subjetivo, mientras que la externa sólo con la Satisfacción, y la que corresponden a las exigencias de la administración no liga con nada (lo que pasa con las obligaciones). Este mismo gráfico con las t de Student:

Eliminamos EXIGE:

25

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES SATISFAC BIENSUBJ EXTERNA INTERNA RELATIONSHIPS MOTI1 MOTI2 MOTI3 = EXTERNA MOTI6 MOTI7 MOTI8 MOTI9 = INTERNA EXTERNA INTERNA -> SATISFAC SATISP32 SATISP34 SATISP35 SATISP36 SATISP37 SATISP39 SATISP40 = SATISFAC BIENES49 BIENES51 BIENES52 BIENES53 = BIENSUBJ EXTERNA INTERNA -> BIENSUBJ SATISFAC->BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

Quitemos la Motivación externa con el Bienestar subjetivo:

BIENESTAR DOCENTE RAW DATA FROM FILE: 'I:\Multivariante\Bdocente1a.psf' LATENT VARIABLES SATISFAC BIENSUBJ EXTERNA INTERNA RELATIONSHIPS MOTI1 MOTI2 MOTI3 = EXTERNA MOTI6 MOTI7 MOTI8 MOTI9 = INTERNA EXTERNA INTERNA -> SATISFAC SATISP32 SATISP34 SATISP35 SATISP36 SATISP37 SATISP39 SATISP40 = SATISFAC BIENES49 BIENES51 BIENES52 BIENES53 = BIENSUBJ INTERNA -> BIENSUBJ SATISFAC->BIENSUBJ PATH DIAGRAM Method of Estimation: Maximum Likelihood END OF PROBLEM

26

Muy bien. Por último, veamos qué sucede si integramos los dos constructos de motivación en uno solo (no recomendable, visto que INTERNA y EXTERNA funcionan de manera distinta):

El modelo no llega a converger si se liga MOTIVA con BIENSUBJ, pero sí de esta forma. Lo dejamos así más que nada para ver cómo se elabora un constructo de segundo orden (MOTIVA)

27