Cómo Reportar un Modelo de Ecuaciones Estructurales (SEM) en APA 7

Terminas de ajustar tu modelo de ecuaciones estructurales en lavaan o Mplus, tienes una pantalla llena de índices de ajuste y coeficientes, y entonces te preguntas: ¿qué pongo en el manuscrito? El SEM es probablemente el análisis donde más distancia hay entre "hacer" y "reportar", porque la cantidad de información que produce es enorme y APA 7 no te dice exactamente qué incluir. Esta guía te da la estructura completa con plantillas listas para copiar. Si buscas la guía general, está en cómo reportar resultados en APA 7.

Qué debe incluir el reporte de un SEM según APA 7

APA 7 no tiene una sección dedicada exclusivamente al SEM, pero las convenciones de las revistas Q1 de psicología han consolidado un estándar claro. Un reporte completo de un modelo de ecuaciones estructurales necesita estos elementos, en este orden:

  1. Software y estimador: qué programa usaste (lavaan, Mplus, AMOS, EQS) y qué método de estimación (ML, MLR, WLSMV, DWLS).
  2. Especificación del modelo: qué variables latentes definiste, cuántos indicadores tiene cada una y qué relaciones estructurales (paths) se especificaron.
  3. Índices de ajuste global: χ², grados de libertad, p; CFI o TLI; RMSEA con IC 90%; SRMR.
  4. Coeficientes del modelo de medida: cargas factoriales estandarizadas de cada indicador sobre su factor latente.
  5. Coeficientes del modelo estructural: paths estandarizados (β) entre variables latentes y/o observadas, con errores estándar, valores z/p, e intervalos de confianza.
  6. Varianza explicada: R² de las variables endógenas.
  7. Efectos indirectos (si los hay): con intervalos de confianza bootstrap.
ORDEN DE REPORTE EN LA SECCIÓN DE RESULTADOS ① SOFTWARE + Estimador ② MODELO Especificación ③ AJUSTE χ² CFI RMSEA ④ PATHS β, SE, p ⑤ R² + Indirectos ⑥ Figura
Los seis bloques que un reporte de SEM necesita en APA 7, en el orden en que aparecen en Results.

Índices de ajuste: cuáles reportar y cuáles son los puntos de corte

No existe un único índice de ajuste que lo diga todo. Las revistas Q1 esperan que reportes al menos cuatro: el chi-cuadrado del modelo (con grados de libertad y valor p), el CFI o TLI, el RMSEA con su intervalo de confianza al 90% y el SRMR. Aquí tienes los puntos de corte de referencia (Hu & Bentler, 1999; cutoffs ampliamente aceptados, aunque no son reglas absolutas):

Tabla 1 Índices de ajuste del modelo: puntos de corte de referencia Índice Buen ajuste Ajuste aceptable Qué mide χ²/df ≤ 2 ≤ 3 Discrepancia global CFI / TLI ≥ .95 ≥ .90 Ajuste incremental RMSEA ≤ .06 ≤ .08 Error de aproximación SRMR ≤ .06 ≤ .08 Residuos estandarizados Nota. Cutoffs de referencia: Hu y Bentler (1999). Para modelos con indicadores categóricos, usar WLSMV y omitir SRMR. TLI puede ser > 1 o < 0 en muestras pequeñas; si ocurre, reportar CFI como indicador principal.
Puntos de corte de referencia para los índices de ajuste del SEM según convenciones publicadas.

Tres matices importantes: (1) el chi-cuadrado casi siempre es significativo con muestras grandes (N > 200), por eso no se usa solo para evaluar el ajuste; (2) el RMSEA tiende a penalizar modelos parsimoniosos con pocas variables, así que en modelos pequeños (< 50 grados de libertad) se debe interpretar con cautela; (3) el SRMR no es fiable con estimadores WLSMV (para indicadores categóricos), así que si usas ese estimador, omite el SRMR y reporta WRMR en su lugar.

Párrafo de resultados: plantilla para copiar

Este párrafo cubre el modelo de medida y el estructural en un bloque compacto que sigue las convenciones APA 7. Los valores entre corchetes son los que sustituyes por los tuyos:

"El modelo de ecuaciones estructurales fue estimado con [lavaan en R / Mplus / AMOS] utilizando estimación de máxima verosimilitud [robusta] (ML[R]). El modelo incluía [N] variables latentes, cada una definida por [N] indicadores observados, y [N] paths estructurales entre los constructos de interés. Todas las cargas factoriales estandarizadas superaron .50 (rango: [.xx]–[.xx]), apoyando la validez convergente del modelo de medida.

Los índices de ajuste global indicaron un ajuste [bueno / aceptable] a los datos: χ²([gl]) = [valor], p [= .xxx / < .001]; CFI = [.xx]; TLI = [.xx]; RMSEA = [.xxx], 90% IC [[.xxx], [.xxx]]; SRMR = [.xxx].

En el modelo estructural, [variable X] predijo significativamente [variable Y], β = [.xx], SE = [.xx], z = [valor], p [= .xxx / < .001], 95% IC [[.xx], [.xx]]. [Variable X] explicó el [xx]% de la varianza de [variable Y] (R² = [.xx]). [Si hay mediación:] El efecto indirecto de [X] sobre [Y] a través de [M] fue significativo, β = [.xx], 95% IC bootstrap [[.xx], [.xx]]."

Dos notas de estilo que los revisores vigilan: los símbolos estadísticos (p, χ², z, β, R²) van siempre en cursiva; los nombres de los índices (CFI, RMSEA, SRMR) y del software (lavaan, Mplus) no. Si usas estimación robusta (MLR, WLSMV), indícalo explícitamente: el chi-cuadrado robusto (Satorra-Bentler o Yuan-Bentler) y el CFI/RMSEA robusto no son los mismos que los convencionales.

Tabla de coeficientes del modelo estructural

La tabla es donde el revisor pasa más tiempo. Sigue esta estructura:

Tabla 2 Coeficientes estandarizados del modelo estructural Path β SE z p 95% IC Paths directos Autoeficacia → Rendimiento .34 .07 4.86 < .001 [.20, .48] Autoeficacia → Motivación .52 .06 8.67 < .001 [.40, .64] Motivación → Rendimiento .28 .08 3.50 < .001 [.12, .44] Efecto indirecto Autoeficacia → Motivación → Rend. .15 .04 3.75 < .001 [.08, .23] Nota. N = 412. Estimación MLR (lavaan 0.6-19). Coeficientes completamente estandarizados. IC del efecto indirecto obtenido por bootstrap con corrección de sesgo (5.000 remuestreos). R² Rendimiento = .31. Paths significativos (p < .05) en negrita.
Ejemplo de tabla de coeficientes del modelo estructural en APA 7. Paths directos arriba, indirectos abajo.

Si tu SEM tiene modelo de medida y estructural (modelo completo, no solo path analysis), añade una tabla adicional con las cargas factoriales estandarizadas, las comunalidades (h²) y la varianza media extraída (AVE) de cada factor. Esa tabla sigue el mismo formato que la tabla de cargas del AFE, pero con la particularidad de que en un AFC las cargas vienen de un modelo confirmatorio, no exploratorio.

¿Tu SEM no ajusta y no sabes por qué?

Soy doctor en psicología y especificar, ajustar y defender modelos de ecuaciones estructurales es lo que más hago. Te dejo el SEM funcionando, la tabla lista y el texto APA 7 para pegar. Presupuesto cerrado en 24 h.

Pídeme un diagnóstico gratis →

Diagrama del modelo: sí, lo necesitas

Las revistas Q1 esperan un diagrama de paths (path diagram) como figura. No es decorativo: es la forma más rápida de que el lector entienda la estructura del modelo. APA 7 no da indicaciones específicas sobre diagramas SEM, pero la convención es clara:

  • Variables latentes: círculos u óvalos.
  • Variables observadas: rectángulos.
  • Flechas unidireccionales: relaciones causales (path), con el coeficiente estandarizado encima.
  • Flechas bidireccionales curvas: covarianzas entre factores o errores correlacionados.
  • Significación: marcar con asteriscos (* p < .05; ** p < .01; *** p < .001) o poner valores p exactos.
DIAGRAMA DE PATHS: EJEMPLO CON MEDIACIÓN Autoeficacia (3 ítems) Motivación (4 ítems) Rendimiento (3 ítems) β = .52*** β = .28*** β = .34*** (directo) Item 1 Item 2 R² = .31 *** p < .001. Coeficientes estandarizados. N = 412. Efecto indirecto: β = .15, 95% IC bootstrap [.08, .23].
Ejemplo de diagrama de paths para un SEM con mediación. Óvalos = latentes (con indicadores debajo), flechas = paths estandarizados.

Genera el diagrama con semPlot::semPaths() en R, el editor gráfico de Mplus o AMOS, o directamente en un software de diagramas (draw.io, Figma). El diagrama generado por el software estadístico suele ser feo; la mayoría de investigadores lo redibuja para publicación.

Comparación de modelos: chi-cuadrado diferencial y otros indicadores

Si comparas modelos alternativos (por ejemplo, un modelo con y sin un path determinado, o un modelo de un factor vs. dos factores), reporta la comparación usando:

  • Δχ² (chi-cuadrado diferencial) con grados de libertad y valor p. Si usas estimación robusta (MLR), aplica la corrección de Satorra-Bentler (el Δχ² "ingenuo" no funciona).
  • ΔCFI: una diferencia ≥ .010 indica diferencia relevante entre modelos (Cheung & Rensvold, 2002). Más conservador que el Δχ², que es sensible al tamaño muestral.
  • AIC y BIC: el modelo con menor AIC/BIC es preferible. Útiles cuando los modelos no están anidados.

Un ejemplo de cómo reportarlo: "El modelo de dos factores correlacionados mostró un ajuste significativamente mejor que el modelo de un factor, Δχ²(1) = 34.56, p < .001, ΔCFI = .032. Los índices AIC/BIC también favorecieron el modelo de dos factores (AIC = 12345.6 vs. 12401.2)."

Seis errores que devuelven los revisores

1. Reportar solo el chi-cuadrado como indicador de ajuste. Con N > 200 es casi siempre significativo. Reporta siempre CFI, RMSEA (con IC 90%) y SRMR junto al χ². Ningún índice solo es suficiente.

2. Omitir el estimador. ML, MLR, WLSMV producen resultados distintos. El revisor necesita saber cuál usaste y por qué (datos continuos = ML/MLR; categóricos = WLSMV).

3. No justificar por qué ese modelo y no otro. "Se especificó un SEM" no basta. Explica qué teoría o evidencia previa sustenta las relaciones que modelaste.

4. Confundir coeficientes estandarizados y no estandarizados. En el diagrama y en la tabla principal, usa los estandarizados (β). Los no estandarizados (B) son necesarios si comparas entre grupos o muestras.

5. Olvidar reportar R² de las variables endógenas. El modelo puede ajustar bien globalmente pero explicar poca varianza de la variable de interés. El R² es el contexto que falta.

6. No reportar el IC del RMSEA. El valor puntual del RMSEA sin intervalo de confianza es incompleto. APA 7 y Hu & Bentler esperan el IC al 90%, no al 95%.

Código mínimo en R (lavaan) para extraer los resultados

Si usas lavaan, estos son los comandos que producen exactamente lo que necesitas para la tabla y el texto:

# Ajustar el modelo
fit <- sem(model, data = df, estimator = "MLR")

# Índices de ajuste
fitMeasures(fit, c("chisq.scaled","df","pvalue.scaled",
                    "cfi.scaled","tli.scaled",
                    "rmsea.scaled","rmsea.ci.lower.scaled",
                    "rmsea.ci.upper.scaled","srmr"))

# Coeficientes estandarizados
standardizedSolution(fit)

# R² de las endógenas
lavInspect(fit, "r2")

# Efectos indirectos con bootstrap
fit_boot <- sem(model, data = df, se = "bootstrap", bootstrap = 5000)
parameterEstimates(fit_boot, ci = TRUE, standardized = TRUE)

La función standardizedSolution() devuelve directamente β, SE, z, p e IC, que es exactamente lo que va en la tabla. No necesitas calcular nada a mano.

Checklist antes de enviar el manuscrito

Antes de pulsar "enviar", verifica que tu sección de resultados incluye:

  • Software y versión (lavaan 0.6-19, Mplus 8.10, etc.) y estimador (ML, MLR, WLSMV).
  • Descripción del modelo: variables latentes, número de indicadores, paths estructurales.
  • Cuatro índices de ajuste mínimo: χ²(gl), CFI, RMSEA con IC 90%, SRMR.
  • Tabla de coeficientes estandarizados con SE, z, p e IC 95%.
  • R² de cada variable endógena.
  • Efectos indirectos con IC bootstrap (si hay mediación).
  • Diagrama de paths como figura, con coeficientes y significación.
  • Comparación de modelos (Δχ², ΔCFI) si evaluaste modelos alternativos.
  • Justificación teórica de la especificación del modelo.

Si necesitas revisar los fundamentos del AFC (el modelo de medida que subyace al SEM), la guía de AFC en R cubre cada paso. Para invarianza de medida, hay un artículo dedicado. Y si quieres que alguien especifique, ajuste y defienda tu SEM — incluido el código, las tablas y la redacción —, en mi consultoría estadística es el tipo de análisis que más hago. Puedes ver los detalles del servicio de validación de cuestionarios o de tesis doctoral.

Sigue leyendo

Todos los articulos del blog