Cómo Interpretar los Resultados de Ajuste del Modelo en AMOS

Aprender a interpretar los resultados de ajuste del modelo en AMOS es esencial para el Análisis Factorial Confirmatorio (CFA) y el Modelado de Ecuaciones Estructurales (SEM). Esta guía completa explica cómo interpretar los índices de ajuste del modelo en AMOS, entender los valores aceptables de CMIN/DF y dominar la interpretación de RMSEA con los criterios de corte establecidos en la literatura académica.

Ya sea que necesites evaluar los índices de ajuste en AMOS para tu tesis, entender el output de AMOS para publicación, o interpretar los resultados de ajuste del modelo AMOS para investigación, este tutorial lo cubre todo. Explicamos CMIN (Chi-cuadrado), CFI, TLI, GFI, RMSEA, SRMR y todos los índices esenciales con sus rangos aceptados basados en Hu & Bentler (1999) y la literatura especializada.

Esta guía paso a paso te ayuda a interpretar correctamente los índices de ajuste AMOS y determinar si tu modelo SEM o CFA alcanza un ajuste aceptable, bueno o excelente.

En términos simples, el ajuste del modelo en estadística mide la varianza entre los datos observados y los datos implícitos por el modelo, utilizando matrices de correlación y covarianza. Aunque calcular un modelo que se ajuste a los datos en AMOS no es demasiado complicado, interpretar los resultados puede ser un desafío para los estudiantes.

Los resultados de ajuste del modelo en AMOS incluyen los siguientes índices:

• Chi-Cuadrado (CMIN)
• Índice de Bondad del Ajuste (GFI)
• Comparaciones de Línea Base en el Ajuste del Modelo
• Medidas Ajustadas por Parsimonia
• Parámetro de No Centralidad (NCP)
• Índice de Ajuste del Modelo (FMIN)
• Error Cuadrático Medio de Aproximación (RMSEA)
• Criterio de Información de Akaike (AIC)
• Índice de Validación Cruzada Esperada (ECVI)
• Índice de Hoelter

A continuación, se describe cada uno de estos índices con una breve explicación y un ejemplo de interpretación. Se proporcionan rangos de valores aceptables como guía para la redacción de tu trabajo de investigación.

Este artículo concluye con una tabla que resume los parámetros de ajuste más relevantes, sus rangos y las referencias correspondientes.

Interpretación de CMIN en los Resultados de Ajuste del Modelo

CMIN representa el valor Chi-cuadrado y se utiliza para comparar si las variables observadas y los resultados esperados son estadísticamente significativos. En otras palabras, CMIN indica si los datos de la muestra y el modelo hipotético son un ajuste aceptable en el análisis.

En AMOS, el resultado CMIN se encuentra bajo View → Text Output → Model Fit → CMIN y tiene el siguiente aspecto:

Resultados de ajuste del modelo CMIN en AMOS

Donde:

• NPAR = Número de parámetros para cada modelo (por defecto, saturado e independencia).
• CMIN = Valor chi-cuadrado. Si es significativo, el modelo puede considerarse insatisfactorio.
• DF = Grados de libertad; mide el número de valores independientes que pueden variar sin incumplir las restricciones del modelo.
• P = Probabilidad de obtener una discrepancia tan grande como el valor CMIN si el modelo correspondiente es correcto.
• CMIN/DF = Discrepancia dividida por los grados de libertad.

El valor de interés es CMIN/DF para el modelo por defecto y se interpreta así:

• Si el valor CMIN/DF es ≤ 3, indica un ajuste aceptable (Kline, 1998).
• Si el valor es ≤ 5, indica un ajuste razonable (Marsh & Hocevar, 1985).

Interpretación de GFI en los Resultados de Ajuste del Modelo

GFI corresponde al Índice de Bondad del Ajuste (Goodness of Fit Index) y calcula la función de discrepancia mínima necesaria para lograr un ajuste perfecto bajo condiciones de máxima verosimilitud (Jöreskog & Sörbom, 1984; Tanaka & Huba, 1985).

En AMOS, el resultado GFI se encuentra bajo View → Text Output → Model Fit → RMR, GFI y tiene el siguiente aspecto:

Resultados de ajuste del modelo GFI en AMOS

Donde:

• RMR = Residuo Cuadrático Medio (Root Mean Square Residual). Cuanto menor sea el valor RMR, mejor. Un RMR de 0 representa un ajuste perfecto.
• GFI = Índice de Bondad del Ajuste; toma valores ≤ 1, donde 1 representa un ajuste perfecto.
• AGFI = Índice de Bondad del Ajuste Ajustado; indica los grados de libertad para evaluar el modelo. Un valor de 1 indica ajuste perfecto. A diferencia del GFI, los valores AGFI no se detienen en 0.
• PGFI = Índice de Bondad del Ajuste Parsimonioso, modificación del GFI (Mulaik et al., 1989) que calcula los grados de libertad del modelo.

El valor de interés es GFI para el modelo por defecto y se interpreta así:

• Un valor de 1 representa un ajuste perfecto.
• Un valor ≥ 0.9 indica un ajuste razonable (Hu & Bentler, 1998).
• Un valor ≥ 0.95 se considera un ajuste excelente (Kline, 2005).

Interpretación de las Comparaciones de Línea Base en los Resultados de Ajuste

Las Comparaciones de Línea Base se refieren a los modelos que AMOS ajusta automáticamente en cada análisis: el modelo por defecto, el modelo saturado y el modelo de independencia.

En AMOS, los resultados de Baseline Comparisons se encuentran bajo View → Text Output → Model Fit → Baseline Comparisons y tienen el siguiente aspecto:

Resultados de Comparaciones de Línea Base en AMOS

Donde:

• NFI = Índice de Ajuste Normado (Delta 1, Bollen, 1989b); sus valores van entre el modelo de independencia (ajuste deficiente) y el modelo saturado (ajuste perfecto). Un valor de 1 indica ajuste perfecto; valores < 0.9 generalmente pueden mejorar sustancialmente (Bentler & Bonett, 1980).
• RFI = Índice de Ajuste Relativo; derivado del NFI. Valores cercanos a 1 indican muy buen ajuste; 1 indica ajuste perfecto.
• IFI = Índice de Ajuste Incremental. Valores cercanos a 1 indican muy buen ajuste; 1 indica ajuste perfecto.
• TLI = Coeficiente de Tucker-Lewis (también denominado NNFI de Bentler-Bonett); sus valores van de 0 a 1, donde un valor cercano a 1 representa muy buen ajuste y 1 representa ajuste perfecto.
• CFI = Índice de Ajuste Comparativo; sus valores están entre 0 y 1, donde valores cercanos a 1 indican muy buen ajuste y 1 representa ajuste perfecto (Hu & Bentler, 1999).

El valor de interés es CFI para el modelo por defecto. Un valor CFI ≥ 0.95 se considera un ajuste excelente (West et al., 2012).

Interpretación de las Medidas Ajustadas por Parsimonia en los Resultados de Ajuste

Las Medidas Ajustadas por Parsimonia son índices de ajuste relativo que incorporan una penalización por la complejidad del modelo.

Piensa en los ajustes como penalizaciones para modelos menos parsimoniosos. En otras palabras, cuanto más complejo es el modelo, menor es el índice de ajuste, ya que en general se prefiere una explicación más simple de un fenómeno.

En AMOS, los resultados de Parsimony-Adjusted Measures se encuentran bajo View → Text Output → Model Fit → Parsimony-Adjusted Measures y tienen el siguiente aspecto:

Interpretación de resultados de ajuste del modelo en AMOS [Medidas Ajustadas por Parsimonia]

Donde:

• PRATIO = Razón de Parsimonia; calcula el número de restricciones del modelo y se utiliza para calcular los índices PNFI y PCFI.
• PNFI = Índice de Ajuste Normado Parsimonioso; expresa el resultado del ajuste por parsimonia (James, Mulaik & Brett, 1982) aplicado al NFI.
• PCFI = Índice de Ajuste Comparativo Parsimonioso; expresa el resultado del ajuste por parsimonia aplicado al CFI.

Interpretación de NCP en los Resultados de Ajuste del Modelo

NCP corresponde al Parámetro de No Centralidad (Non-Centrality Parameter) y expresa el grado en que una hipótesis nula es falsa.

En AMOS, los resultados NCP se encuentran bajo View → Text Output → Model Fit → NCP y tienen el siguiente aspecto:

Interpretación de resultados de ajuste del modelo en AMOS [NCP]

Donde:

• NCP = Valor del Parámetro de No Centralidad, con límites expresados por LO (NcpLo) y HI (NcpHi), correspondientes a los límites inferior y superior del intervalo de confianza del 90% para el NCP.
• LO 90 = Límite inferior del intervalo de confianza del 90% para el NCP.
• HI 90 = Límite superior del intervalo de confianza del 90% para el NCP.

Del ejemplo anterior, el NCP poblacional para el modelo por defecto se sitúa entre 2.87 y 7.88 con un nivel de confianza de aproximadamente el 90%.

Interpretación de FMIN en los Resultados de Ajuste del Modelo

FMIN corresponde al Índice de Ajuste del Modelo y se reporta cuando CMIN no tiene un resultado positivo, lo que suele ocurrir con muestras de mayor tamaño.

En AMOS, los resultados FMIN se encuentran bajo View → Text Output → Model Fit → FMIN y se presentan de la siguiente manera:

Resultados de ajuste FMIN del modelo en AMOS

Donde:

• FMIN = Índice de Ajuste del Modelo, con límites expresados por LO y HI (límite inferior y superior del intervalo de confianza del 90% para FMIN). Un valor más cercano a 0 indica mejor ajuste del modelo, siendo 0 el ajuste perfecto.
• F0 = Intervalo de confianza.
• LO 90 = Límite inferior del intervalo de confianza del 90% para FMIN.
• HI 90 = Límite superior del intervalo de confianza del 90% para FMIN.

Interpretación de RMSEA en los Resultados de Ajuste del Modelo

RMSEA corresponde al Error Cuadrático Medio de Aproximación (Root Mean Square Error of Approximation) y mide la diferencia entre la matriz de covarianza observada por grado de libertad y la matriz de covarianza predicha (Chen, 2007).

En AMOS, los resultados RMSEA se encuentran bajo View → Text Output → Model Fit → RMSEA y se presentan en la siguiente tabla:

Interpretación de resultados RMSEA en AMOS

Donde:

• RMSEA = Error Cuadrático Medio de Aproximación. Valores superiores a 0.1 se consideran deficientes; entre 0.08 y 0.1 son limítrofes; entre 0.05 y 0.08 son aceptables; ≤ 0.05 son excelentes (MacCallum et al., 1996).
• LO 90 = Límite inferior del intervalo de confianza del 90% para RMSEA.
• HI 90 = Límite superior del intervalo de confianza del 90% para RMSEA.
• PCLOSE = Valor p de la hipótesis nula.

El valor de interés es RMSEA en el campo del modelo por defecto, donde valores ≤ 0.05 indican mejor ajuste del modelo (MacCallum et al., 1996).

Interpretación de AIC en los Resultados de Ajuste del Modelo

AIC corresponde al Criterio de Información de Akaike (Akaike, 1987) y mide la calidad del modelo estadístico para la muestra de datos utilizada. El AIC es una puntuación numérica que sirve para determinar qué modelo se ajusta mejor al conjunto de datos.

En AMOS, los resultados AIC se encuentran bajo View → Text Output → Model Fit → AIC como se muestra a continuación:

Interpretación de resultados AIC en AMOS

Donde:

• AIC = Criterio de Información de Akaike; útil solo al compararlo con otros valores AIC del mismo conjunto de datos. Cuanto menor sea el valor, mejor.
• BCC = Criterio de Browne-Cudeck; se utiliza específicamente para analizar estructuras de momentos e impone una penalización mayor a los modelos menos parsimoniosos.
• BIC = Criterio de Información Bayesiano; aplica una penalización mayor a los modelos complejos en comparación con AIC, BCC y CAIC, por lo que tiende a seleccionar modelos más parsimoniosos.
• CAIC = Criterio de Información de Akaike Consistente (Atilgan & Bozdogan, 1987); se reporta solo cuando las medias e interceptos no son explícitos en el caso de un único grupo. CAIC aplica una penalización mayor que AIC y BCC, pero menos severa que BIC.

Interpretación de ECVI en los Resultados de Ajuste del Modelo

ECVI corresponde al Índice de Validación Cruzada Esperada (Expected Cross Validation Index, Browne & Cudeck, 1993) y mide la capacidad predictiva futura del modelo mediante una transformación simple del chi-cuadrado, similar al AIC.

En AMOS, los resultados ECVI se encuentran bajo View → Text Output → Model Fit → ECVI y tienen el siguiente aspecto:

Interpretación de resultados ECVI en AMOS

Donde:

• ECVI = Índice de Validación Cruzada Esperada. Un valor menor representa mejor ajuste del modelo.
• LO 90 = Límite inferior del intervalo de confianza del 90% para el ECVI poblacional.
• HI 90 = Límite superior del intervalo de confianza del 90% para el ECVI poblacional.
• MECVI = Salvo un factor de escala en el cálculo, el MECVI es similar al Criterio de Browne-Cudeck (BCC).

Interpretación del Índice de HOELTER en los Resultados de Ajuste del Modelo

El índice de Hoelter mide si el chi-cuadrado es significativo o no.

En AMOS, los resultados del Índice de Hoelter se encuentran bajo View → Text Output → Model Fit → HOELTER y se expresan así:

Interpretación del índice Hoelter en AMOS

Donde:

• HOELTER .05 = Evalúa si el tamaño de la muestra puede aceptarse al nivel 0.05 para el modelo por defecto. Si tu tamaño de muestra es mayor que el valor especificado al nivel 0.05, el modelo por defecto debe rechazarse.
• HOELTER .01 = Calcula si el tamaño de la muestra puede aceptarse al nivel 0.01. Si el tamaño de muestra es mayor que el número especificado al nivel 0.01, puedes rechazar el modelo por defecto.

Tabla de Referencia Rápida de Ajuste del Modelo

Esta tabla resume algunos de los parámetros más importantes y sus valores aceptados según la literatura.

Tabla de referencia rápida de ajuste del modelo en AMOS

Preguntas Frecuentes

En Resumen

En esta guía has aprendido cómo interpretar los resultados de ajuste del modelo en AMOS para Análisis Factorial Confirmatorio y Modelado de Ecuaciones Estructurales. Ahora comprendes cómo evaluar los índices de ajuste del modelo en AMOS, interpretar los valores aceptables de CMIN/DF, dominar la interpretación de RMSEA y aplicar los criterios de corte de Hu & Bentler (1999) para determinar la adecuación del modelo.

Los índices de ajuste en AMOS (CMIN, CFI, TLI, GFI, RMSEA y SRMR) ofrecen una evaluación integral de si tu modelo teórico se ajusta a los datos observados. Entender el output de AMOS y aplicar los valores de corte establecidos en la literatura te permite evaluar con confianza los resultados de ajuste del modelo AMOS y tomar decisiones fundamentadas sobre las modificaciones.

Recuerda que la evaluación del ajuste en AMOS requiere examinar múltiples índices de forma conjunta, sin depender de un único estadístico. Usa la tabla de referencia rápida como guía para los valores aceptables y siempre justifica las modificaciones con teoría sustantiva junto con la mejora estadística.

¿Necesitas ayuda con análisis relacionados? Consulta nuestras guías sobre análisis de mediación en SPSS o análisis de moderación en SPSS para ampliar tus habilidades de análisis estadístico avanzado.

Referencias

Atilgan, T., & Bozdogan, H. (1987, June). Information-theoretic univariate density estimation under different basis functions. A paper presented at the First Conference of the International Federation of Classification Societies, Aachen, West Germany.

Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88(3), 588–606. https://doi.org/10.1037/0033-2909.88.3.588

Bollen, K.L. 1989. Structural Equations with Latent Variables. New York: John Wiley.

Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In K. A. Bollen and J. S. Long (Eds.), Testing structural equation models (pp. 136-162). Newbury Park, CA: Sage.

Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504. https://doi.org/10.1080/10705510701301834

Diamantopoulos, A. & Siguaw, J. A., (2000). Introduction to LISREL: A guide for the uninitiated. London: SAGE Publications, Inc.

Fan X, Thompson B, Wang L (1999) Effects of sample size, estimation methods, and model specification on structural equation modeling fit indexes. Struct Equ Modeling 6(1):56–83

Hu, L.-t., & Bentler, P. M. (1998). Fit indices in covariance structure modeling: Sensitivity to under parameterized model misspecification. Psychological Methods, 3(4), 424–453. https://doi.org/10.1037/1082-989X.3.4.424

James, L., Mulaik, S., & Brett, J. M. (1982). Causal Analysis: Assumptions, Models, and Data. Sage Publications.

Joreskog, K. G., & Sorbom, D. (1996). LISREL8 User's reference guide. Mooresville Scientific Software.

Kline, R. B. (1998). Principles and practice of structural equation modeling. Guilford Press.

Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). Guilford Press.

Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics (5th ed.). Allyn & Bacon/Pearson Education.

MacCallum, R.C., Browne, M.W., and Sugawara, H., M. (1996), "Power Analysis and Determination of Sample Size for Covariance Structure Modeling," Psychological Methods, 1 (2), 130-49.

Marsh, H. W., & Hocevar, D. (1985). Application of confirmatory factor analysis to the study of self-concept: First- and higher-order factor models and their invariance across groups. Psychological Bulletin, 97(3), 562–582. https://doi.org/10.1037/0033-2909.97.3.562

Steiger, J. H. (2007). Understanding the limitations of global fit assessment in structural equation modeling. Personality and Individual Differences, 42(5), 893–898. https://doi.org/10.1016/j.paid.2006.09.017

Tanaka, J. S., & Huba, G. J. (1985). A fit index for covariance structure models under arbitrary GLS estimation. British Journal of Mathematical and Statistical Psychology, 38(2), 197–201. https://doi.org/10.1111/j.2044-8317.1985.tb00834.x

West, R. F., Meserve, R. J., & Stanovich, K. E. (2012). Cognitive sophistication does not attenuate the bias blind spot. Journal of Personality and Social Psychology, 103(3), 506–519. https://doi.org/10.1037/a0028857