¿Qué técnicas gráficas se utilizan en el modelado de ecuaciones estructurales?

Tengo curiosidad por saber si hay técnicas gráficas particulares, o más aplicables, al modelado de ecuaciones estructurales. Supongo que esto podría caer en categorías para herramientas exploratorias para el análisis de covarianza o diagnósticos gráficos para la evaluación del modelo SEM. (Realmente no estoy pensando en diagramas de ruta / gráfico aquí).

Conocí a Laura Trinchera, quien contribuyó con un buen paquete R para el modelado de ruta PLS, plspm . Incluye varios resultados gráficos para varios tipos de estructuras de datos de 2 y k bloques.

Acabo de descubrir el paquete plotSEMM R. Sin embargo, está más relacionado con su segundo punto y está restringido a graficar relaciones bivariadas.

En cuanto a las referencias recientes sobre el diagrama de diagnóstico para SEM, aquí hay dos documentos que pueden ser interesantes (para el segundo, acabo de examinar el resumen recientemente pero no puedo encontrar una versión sin componer):

1. Sanchez BN, Houseman EA y Ryan LM. Diagnóstico basado en residuos para modelos de ecuaciones estructurales . Biometrics (2009) 65, 104–115
2. Yuan KH y Hayashi K. Datos de ajuste para modelar: diagnóstico de modelado de ecuaciones estructurales usando dos diagramas de dispersión , Métodos psicológicos (2010)
3. Porzio GC y Vitale MP. Descubriendo la interacción en modelos de ecuaciones estructurales a través de un diagrama de diagnóstico . ISI 58º Congreso Mundial (2011).

Esta es una pregunta muy interesante. Supongamos que tenemos una matriz de covarianza bidimensional (ejemplo muy poco realista para SEM pero tenga paciencia conmigo). Luego, puede trazar los contornos iso de la matriz de covarianza observada con respecto a la matriz de covarianza estimada para tener una idea del ajuste del modelo.

Sin embargo, en realidad tendrá una matriz de covarianza de alta dimensión. En tal situación, probablemente podría hacer varias gráficas bidimensionales tomando 2 variables a la vez. No es la solución ideal, pero quizás pueda ayudar hasta cierto punto.

Editar

Un método ligeramente mejor es realizar el análisis de componentes principales (PCA) en la matriz de covarianza observada. Guarde la matriz de proyección del análisis de PCA en la matriz de covarianza observada. Use esta matriz de proyección para transformar la matriz de covarianza estimada.

Luego graficamos iso-contornos para las dos variaciones más altas de la matriz de covarianza observada rotada con respecto a la matriz de covarianza estimada. Dependiendo de cuántas parcelas queramos hacer, podemos tomar la segunda y la tercera variaciones más altas, etc. Comenzamos a partir de las variaciones más altas ya que queremos explicar la mayor variación posible en nuestros datos.

Supongo que podría hacer una escala multidimensional de la matriz de correlación o covarianza. No es exactamente un modelo de ecuación estructural, pero podría resaltar patrones y estructura en la matriz de correlación o covarianza. Esto podría formalizarse con un modelo apropiado.

Si hay un efecto de interacción (o incluso de otro modo), puede usar el software ITALASSI v1.2 (software gratuito) para obtener vistas 2D y 3D