Capítulo 38 Modelagem estrutural
38.1 Modelos estruturais
38.1.1 O que é modelagem de equações estruturais (SEM)?
A modelagem de equações estruturais (structural equation nodelling, SEM) é uma técnica multivariada utilizada para testar e avaliar relações causais diretas e indiretas previamente especificadas entre múltiplas variáveis.340
A modelagem de equações estruturais integra análise fatorial confirmatória e análise de caminhos em um único arcabouço estatístico.340
38.1.2 Em que a SEM difere de outras abordagens estatísticas?
Diferentemente de modelos tradicionais, a SEM permite testar efeitos diretos e indiretos simultaneamente dentro de um sistema de relações causais hipotéticas.340
A SEM combina modelo de mensuração (variáveis latentes) e modelo estrutural (relações causais entre variáveis).340
38.2 Variáveis latentes
38.2.1 O que é uma variável latente?
Variável latente é um construto não observado diretamente, estimado a partir de indicadores observáveis correlacionados.340
Variáveis latentes representam construtos teóricos inferidos a partir de padrões de covariância entre indicadores observáveis. Entretanto, sua identificação estatística não implica necessariamente a existência de uma entidade causal subjacente independente.341
38.2.2 O que é análise fatorial confirmatória (CFA)?
A análise fatorial confirmatória é o método usado na SEM para estimar variáveis latentes com base em conhecimento teórico prévio sobre seus indicadores.340
Diferentemente da análise fatorial exploratória, a CFA exige especificação prévia das relações entre construto e indicadores.340
38.3 Aplicações avançadas
38.3.1 O que é modelo de curva de crescimento latente (LGC)?
O modelo de curva de crescimento latente é uma extensão da SEM usada para analisar dados longitudinais, modelando trajetórias de crescimento ao longo do tempo.340
O modelo LGC permite estimar inclinações e interceptos como variáveis latentes representando mudanças temporais.340
38.3.2 O que é SEM Bayesiana?
A SEM Bayesiana (BSEM) incorpora distribuições a priori e atualiza parâmetros por meio de inferência Bayesiana, sendo particularmente útil em amostras pequenas.340
Sua avaliação de modelo baseia-se em comparação Bayesiana e verificação preditiva posterior, em vez de índices clássicos como χ² ou RMSEA.340
38.3.3 O que é PLS-SEM?
A PLS-SEM (Partial Least Squares SEM) é uma abordagem orientada à maximização da variância explicada, adequada quando há pouca fundamentação teórica ou amostras pequenas.340
A PLS-SEM não exige normalidade multivariada nem grandes tamanhos amostrais.340
38.3.4 O que caracteriza a PLS-SEM dentro da família da SEM?
A PLS-SEM é uma abordagem de modelagem estrutural orientada à predição, cujo objetivo principal é maximizar a variância explicada das variáveis dependentes.342
Diferentemente da SEM baseada em covariância (CB-SEM), que tem foco confirmatório, a PLS-SEM é classificada como uma técnica causal-preditiva.342
A distinção entre modelos orientados à confirmação estrutural (CB-SEM) e modelos orientados à predição (PLS-SEM) dialoga com críticas recentes que defendem maior ênfase na utilidade preditiva em vez da busca exclusiva por estrutura latente pura.341
38.3.5 Quando a PLS-SEM deve ser considerada?
Quando o objetivo do estudo é predição e identificação de construtos com maior impacto explicativo.342
Em contextos com modelos complexos, múltiplos construtos e interesse em maximizar \(R^2\).342
Em pesquisas com fundamentação teórica ainda em consolidação.342
Em situações de amostras moderadas ou pequenas, desde que respeitadas recomendações mínimas de poder estatístico.342
38.4 Ajuste e avaliação do modelo
38.4.1 Quais são os principais índices de ajuste em SEM?
O teste qui-quadrado \(\chi^2\) avalia discrepância entre matriz observada e matriz reproduzida pelo modelo.340
RMSEA e SRMR medem erro de aproximação, sendo valores baixos indicativos de melhor ajuste.340
CFI e TLI avaliam ajuste comparativo, sendo valores próximos de 0,95 considerados desejáveis.340
AIC e BIC são usados para comparação entre modelos concorrentes.340
Índices globais de ajuste, embora úteis, não garantem validade teórica nem utilidade prática do modelo. Ajustes elevados podem refletir adequação matemática sem necessariamente traduzir relevância funcional.341
38.5 Problemas comuns na aplicação de SEM
38.5.1 Quais são problemas frequentes na aplicação de SEM?
Falta de justificativa teórica para relações causais especificadas.340
Ausência de explicação adequada das variáveis latentes.340
Não relato de coeficientes, erros padrão ou valores de \(R^2\).340
Falta de justificativa do tamanho amostral.340
Ausência de validação do modelo.340
38.5.2 Por que a especificação do modelo é crítica em SEM?
Porque relações causais devem ser fundamentadas teoricamente, incluindo imposição explícita de coeficientes nulos ou covariâncias nulas quando apropriado.340
A inclusão de covariâncias não justificadas pode artificialmente melhorar índices de ajuste sem suporte teórico.340
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,