En ciencias de la salud es importante plantear modelos explicativos para conocer con mayor precisión un determinado fenómeno. De este modo, es posible conocer sus antecedentes y consecuencias con el objetivo de tomar decisiones adecuadas en un contexto determinado y según los recursos disponibles. Para lograr ese cometido, los modelos de ecuaciones estructurales (SEM, por sus siglas en inglés) parecen ser una buena aproximación, ya que permiten plantear a priori las interacciones entre diferentes variables y evaluarlas posteriormente. Dicha evaluación se realiza frecuentemente a través de los denominados índices de ajuste (IA) y otros criterios adicionales.
Arrogante et al.1 presentaron recientemente un modelo estructural del bienestar psicológico en personal de enfermería. Si bien la base teórica del modelo está planteada de una forma coherente, su evaluación estuvo sustentada en los IA y la significación estadística de los parámetros, pero no fueron considerados algunos aspectos que pueden contradecir las conclusiones de los autores.
Inicialmente, la valoración del modelo 1 y 2 fue realizada en función de diversos IA, concluyendo que el modelo 2 es más apropiado porque «…los datos de la muestra se ajustaron al mismo…» (p. 26). No obstante, las magnitudes de los IA no alcanzaron los puntos de corte mínimos recomendados por la literatura2 en el CFI ≥0,95, RMSEA ≤0,05 y SRMR ≤0,08. Esto quiere decir que, en apariencia, ninguno de los 2 es un buen modelo. Entonces, se estaría cometiendo el denominado error tipo II en estadística, al aceptar un modelo inadecuado cuando debería ser rechazado3.
La explicación parece estar más allá de la interpretación aislada de los índices de ajuste. El RMSEA es sensible a la complejidad del modelo2. Entonces, si el RMSEA no sugiere un buen ajuste puede ser debido a la existencia de malas-especificaciones (ME)3 en el modelo. Se dice que existe una ME cuando uno o más parámetros son especificados, incluso cuando sus valores poblacionales son cero (sobre-parametrización), o cuando algunos parámetros son fijados a cero, pero sus valores poblacionales son diferentes de cero (infra-parametrización)4. Ambas son condiciones que afectan las conclusiones basadas en el modelo estudiado.
Por ello, es recomendable aplicar los índices de modificación (IM) a fin de conocer qué parámetros añadir o liberar (cargas cruzadas, residuales correlacionados, correlaciones interfactoriales, etc.), decidiendo en función de la coherencia, teoría de dicho cambio y la mejora significativa en el ajuste del modelo. Cabe mencionar que en el manuscrito de Arrogante et al.1 no existe referencia a los IM cuando se realizan las modificaciones al modelo 1.
Finalmente, un aspecto no discutido y de suma importancia es la confiabilidad de las puntuaciones de los instrumentos utilizados. El modelo estructural se trabajó en función de los puntajes observados de cada variable psicológica (p. ej., afrontamiento apoyo), y a partir de ellos se modelaron algunas variables latentes (p. ej., afrontamiento). En este sentido, 7 de los 11 puntajes obtenidos presentan α cuyo límite inferior de su intervalo de confianza es de magnitud baja o moderada (≤0,80)5, y podría introducir más error de medida que el permitido. Esto tiene serias implicancias, ya que existe evidencia de que la confiabilidad de las puntuaciones afectan las estimaciones de diversos estadísticos, incluyendo las correlaciones que son la base de muchos modelos estructurales.
Entonces, conforme a lo expuesto resulta útil: 1) interpretar los índices de ajuste conforme a los estándares planteados por la literatura; 2) examinar los IM a fin de implementar posibles cambios estadísticamente significativos y teóricamente coherentes, y 3) considerar la confiabilidad de los puntajes como un aspecto necesario en el análisis. Esta información es relevante debido a que permitirá al investigador contar con indicadores adicionales a los IA que le posibilitarán una mejor toma de decisiones. Además, actualmente la preocupación de los investigadores es plantear modelos que ayuden a explicar mejor la realidad, y conocer procedimientos apropiados para valorarlos será de mucha utilidad para la comunidad científica.
