https://doi.org/10.7334/psicothema2019.235

Psicothema, 2020.Vol. 32 (nº 1). 115-121

   PDF

Karina Rdz-Navarro¹ and Fan Yang-Wallentin²

Background: Analysis of interaction or moderation effects between latent variables is a common requirement in the social sciences. However, when predictors are correlated, interaction and quadratic effects become more alike, making them difficult to distinguish. As a result, when data are drawn from a quadratic population model and the analysis model specifies interactions only, misleading results may be obtained. Method: This article addresses the consequences of different types of specification error in nonlinear structural equation models using a Monte Carlo study. Results: Results show that fitting a model with interactions when quadratic effects are present in the population will almost certainly lead to erroneous detection of moderation effects, and that the same is true in the opposite scenario. Simultaneous estimation of interactions and quadratic effects yields correct results. Conclusions: Simultaneous estimation of interaction and quadratic effects prevents detection of spurious or misleading nonlinear effects. Results are discussed and recommendations are offered to applied researchers.

Problemas de especificación en SEM no lineal: la moderación que no lo era. Antecedentes: el análisis de efectos de interacción o moderación entre variables latentes es común en ciencias sociales. Sin embargo, cuando los predictores están correlacionados, los efectos de interacción y cuadráticos se vuelven parecidos, haciendo difícil su distinción. Así, cuando los datos provienen de un modelo de cuadrático a nivel poblacional y el modelo de análisis solo especifica interacciones, se pueden obtener resultados engañosos. Método: este artículo aborda las consecuencias de diferentes tipos de errores de especificación en modelos de ecuaciones estructurales no lineales utilizando un estudio de Monte Carlo. Resultados: los resultados muestran que estimar un modelo con interacciones cuando en la población hay efectos cuadráticos conducirá a una detección equivocada de efectos de moderación con casi plena seguridad, y lo mismo ocurrirá en el escenario opuesto. La estimación simultánea de interacciones y efectos cuadráticos en el modelo conduce a resultados correctos. Conclusiones: la estimación simultánea de efectos de interacción y cuadráticos permite evitar detectar efectos no lineales espurios o engañosos. Los resultados se discuten para ofrecer recomendaciones a los investigadores aplicados.