Tienes tres variables y una hipótesis en la cabeza: A influye en B, B influye en C, y además A influye en C por su cuenta. Puedes contrastar eso con dos regresiones múltiples por separado, pero entonces cada regresión no sabe nada de la otra, no obtienes el efecto indirecto con su intervalo de confianza y no puedes decir si el conjunto de tu modelo se sostiene. El path analysis —análisis de rutas o análisis de senderos, aunque casi todo el mundo lo llama por su nombre en inglés— resuelve exactamente eso: estima todas las ecuaciones a la vez y te da un ajuste global.
Esta guía es la práctica: qué es, en qué se diferencia del SEM, cuándo no deberías usarlo, cómo se hace en R con lavaan y cómo se reporta sin que te lo devuelvan.
Qué es exactamente un path analysis
Un path analysis es un sistema de ecuaciones de regresión estimadas simultáneamente sobre variables observadas. Cada flecha del diagrama es un coeficiente de regresión; lo que cambia respecto a hacer las regresiones una a una es que todas se estiman en el mismo modelo, con la misma matriz de covarianzas.
Eso te da tres cosas que las regresiones sueltas no dan:
- Variables que son a la vez predictoras y resultado. En una regresión múltiple hay un solo resultado. Aquí, B puede recibir una flecha de A y mandar otra a C dentro del mismo modelo.
- Efectos indirectos con su error estándar. El producto de dos coeficientes (a × b) se estima como un parámetro más, así que tiene intervalo de confianza propio.
- Un ajuste global. Si tu modelo impone restricciones —o sea, si dices que dos variables no están conectadas—, esas restricciones se pueden contrastar contra los datos.
Path analysis, regresión múltiple y SEM: la diferencia que importa
Las tres cosas se confunden constantemente, y la confusión sale cara en revisión. La frontera real es esta:
| Regresión múltiple | Path analysis | SEM completo | |
|---|---|---|---|
| Variables resultado | Una | Varias | Varias |
| Variables latentes | No | No | Sí |
| Corrige el error de medida | No | No | Sí |
| Índices de ajuste | No | Sí, si hay gl | Sí |
| Tamaño muestral típico | Modesto | Modesto | Grande |
La fila que decide es la tercera. En un path analysis metes la puntuación total de tu escala como si estuviera medida sin error, y no lo está: si tu medida de rumiación tiene una fiabilidad de .80, el 20% de su varianza es ruido, y ese ruido atenúa el coeficiente. El path analysis lo ignora; el SEM lo modela con el modelo de medida y devuelve el coeficiente desatenuado.
Traducido: si tus escalas son cortas o poco fiables, tus rutas van a salir más pequeñas de lo que son. Es un sesgo conocido, va en una dirección conocida, y un revisor competente te lo va a decir. La salida no es esconderlo: es reportar la fiabilidad de cada medida y reconocer la atenuación en la discusión. Si necesitas la corrección de verdad, entonces lo que quieres es un modelo de ecuaciones estructurales.
Cuándo usar un path analysis (y cuándo no)
Encaja bien cuando tienes una cadena causal con tres o cuatro variables, medidas con instrumentos de fiabilidad decente (α u ω por encima de .80), tu muestra es modesta (150-300) y lo que te interesa es el patrón de efectos, no el valor exacto de cada coeficiente.
No encaja en tres situaciones concretas:
- Tus constructos son claramente latentes y tus escalas flojas. Con fiabilidades por debajo de .70, los coeficientes que publiques van a estar mal por debajo, y la conclusión puede cambiar de signo cuando alguien replique con un SEM.
- Tus datos son transversales y tu hipótesis es causal. Esto no es un problema del path analysis, es un problema del diseño — pero el path analysis lo disfraza, porque las flechas parecen causas. Un modelo de rutas sobre datos de un solo momento describe covariación, y así hay que escribirlo.
- Solo tienes una variable resultado y ninguna mediación. Entonces es una regresión múltiple con más aparato. Usa la regresión y ahórrate la explicación.
El modelo saturado. Si dibujas todas las flechas posibles entre todas tus variables, tu modelo tiene 0 grados de libertad: reproduce la matriz de covarianzas a la perfección por construcción. Entonces CFI = 1, RMSEA = 0 y χ² = 0 — y eso no es un buen ajuste, es la ausencia de ajuste que evaluar. Reportar «CFI = 1.00, ajuste excelente» sobre un modelo saturado es uno de los errores que más rápido delatan a un manuscrito.
Cómo se hace en R con lavaan
lavaan es gratuito, es el estándar de facto en psicología y su sintaxis se lee casi como el diagrama. El operador ~ significa «es predicho por»; := define un parámetro nuevo a partir de otros.
library(lavaan)
# El modelo de la figura: estres -> rumiacion -> insomnio
modelo <- '
# ruta a
rumiacion ~ a*estres
# rutas b y c-prima
insomnio ~ b*rumiacion + cp*estres
# parametros derivados
indirecto := a*b
total := cp + (a*b)
'
# Bootstrap para el efecto indirecto: su distribucion NO es normal,
# asi que el error estandar de Sobel se queda corto.
ajuste <- sem(modelo, data = datos,
se = "bootstrap", bootstrap = 5000,
missing = "fiml")
summary(ajuste, standardized = TRUE, fit.measures = TRUE,
rsquare = TRUE, ci = TRUE)
Tres decisiones de esas líneas merecen explicación, porque son las que te van a preguntar:
se = "bootstrap". El efecto indirecto es un producto de dos coeficientes y su distribución muestral es asimétrica. El test de Sobel asume normalidad y pierde potencia; el intervalo percentil bootstrap con 5.000 remuestreos es lo que piden hoy las revistas.missing = "fiml". Máxima verosimilitud con información completa: usa todos los casos con al menos un dato en vez de borrar filas enteras. Si prefieres imputar, tienes la guía de imputación múltiple en SPSS y R.standardized = TRUE. En la columnaStd.allestán los β estandarizados, que son los que se reportan cuando las variables están en escalas distintas.
Con otros programas
Mplus hace lo mismo con MODEL INDIRECT y es el estándar cuando hay categóricas o estructura anidada. jamovi y JASP tienen módulos de SEM con interfaz gráfica que ejecutan lavaan por debajo: la misma estimación, sin escribir código. En SPSS, la macro PROCESS de Hayes resuelve mediaciones y moderaciones muy bien, pero no es un path analysis general: no estima varios resultados a la vez ni te da índices de ajuste. Si tu modelo cabe en una plantilla de PROCESS, úsala; si no cabe, es que necesitas lavaan.
Qué mirar en la salida
Con grados de libertad disponibles (o sea, con al menos una ruta que hayas dejado fuera a propósito), estos son los índices de ajuste que se reportan y los puntos de corte de referencia:
| Índice | Ajuste aceptable | Ojo con |
|---|---|---|
| χ² (gl, p) | p > .05 | Con N grande sale significativo casi siempre |
| CFI / TLI | ≥ .95 | Poco informativos con pocos gl |
| RMSEA [IC 90%] | ≤ .06 | Se infla con modelos pequeños y N bajo |
| SRMR | ≤ .08 | El más estable en modelos de rutas |
Los cortes de Hu y Bentler (1999) se citan como si fueran leyes y no lo son: salieron de simulaciones con modelos de medida, no con modelos de rutas de cuatro variables. Repórtalos, pero no los conviertas en un aprobado/suspenso, y no muevas rutas hasta que el CFI cruce el .95 — eso es minería de índices de modificación y se nota.
La plantilla de reporte en APA 7
Un párrafo de resultados de un path analysis tiene que llevar, en este orden: software y estimador, tratamiento de los datos faltantes, ajuste global, coeficientes estandarizados de cada ruta con su intervalo, el efecto indirecto con su intervalo bootstrap, y la varianza explicada.
«El modelo de rutas se estimó en R 4.4.1 con lavaan 0.6-19, por máxima verosimilitud y con errores estándar bootstrap (5.000 remuestreos); los datos faltantes se trataron con FIML. El modelo mostró un ajuste adecuado, χ²(1) = 1.42, p = .233, CFI = .99, RMSEA = .04 [.00, .16], SRMR = .02. El estrés predijo la rumiación (β = .38, IC 95% [.26, .49], p < .001), y la rumiación predijo el insomnio (β = .31, IC 95% [.19, .43], p < .001). El efecto directo del estrés sobre el insomnio se mantuvo significativo (β = .21, IC 95% [.09, .33], p = .001), lo que indica mediación parcial. El efecto indirecto fue significativo (β = .12, IC 95% bootstrap [.06, .19]). El modelo explicó el 24% de la varianza del insomnio.»
Los números de arriba son un ejemplo de formato, no un resultado. Si lo que necesitas es la frase con tus cifras y las cursivas donde APA las pide, el formateador de resultados en APA 7 te la devuelve lista para pegar.
Los cinco errores que te va a marcar un revisor
- Presentar un modelo saturado con «ajuste perfecto». Con 0 gl no hay ajuste que evaluar. Dilo, y justifica por qué no impusiste ninguna restricción.
- Hablar de «efectos» con datos transversales. Cambia el verbo: «se asoció con», «predijo» en sentido estadístico, y una limitación explícita.
- Usar el test de Sobel en 2026. Bootstrap con intervalo percentil o sesgado-corregido, y el número de remuestreos escrito.
- No reportar la fiabilidad de las medidas. En un path analysis es información imprescindible: sin ella nadie puede juzgar cuánta atenuación hay. Si te falta, la calculadora de omega de McDonald la saca en un minuto.
- Reespecificar el modelo con los índices de modificación y contarlo como confirmatorio. Si mueves rutas mirando los datos, el resultado es exploratorio y hay que decirlo, o replicarlo en una muestra independiente.
Antes de enviarlo
Un modelo de rutas bien especificado se cae en revisión por cosas que no tienen que ver con el modelo: una fiabilidad que no está, un tamaño muestral sin justificar, una discusión que promete causalidad que el diseño no da. Si ya tienes el manuscrito escrito, merece la pena pasarlo por una lectura crítica antes de que lo haga el editor.