Capítulo 32 Modelagem estrutural
32.1 Modelos estruturais
32.1.1 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.351
A modelagem de equações estruturais integra análise fatorial confirmatória e análise de caminhos em um único arcabouço estatístico.351
32.1.2 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.351
A SEM combina modelo de mensuração (variáveis latentes) e modelo estrutural (relações causais entre variáveis).351
32.2 Variáveis latentes
32.2.1 O que é uma variável latente?
Variável latente é um construto não observado diretamente, estimado a partir de indicadores observáveis correlacionados.351
Variáveis latentes representam construtos teóricos inferidos a partir de padrões de covariância entre indicadores observáveis.352
A identificação estatística de variáveis latentes não implica necessariamente a existência de uma entidade causal subjacente independente.352
32.2.2 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.351
Diferentemente da análise fatorial exploratória, a CFA exige especificação prévia das relações entre construto e indicadores.351
32.3 Aplicações avançadas
32.3.1 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.351
O modelo LGC permite estimar inclinações e interceptos como variáveis latentes representando mudanças temporais.351
32.3.2 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.351
Sua avaliação de modelo baseia-se em comparação Bayesiana e verificação preditiva posterior, em vez de índices clássicos como \(\chi^2\) ou RMSEA.351
32.3.3 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.351
A PLS-SEM não exige normalidade multivariada nem grandes tamanhos amostrais.351
32.3.4 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.353
Diferentemente da SEM baseada em covariância (CB-SEM), que tem foco confirmatório, a PLS-SEM é classificada como uma técnica causal-preditiva.353
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.352
32.3.5 Quando a PLS-SEM deve ser considerada?
Quando o objetivo do estudo é predição e identificação de construtos com maior impacto explicativo.353
Em contextos com modelos complexos, múltiplos construtos e interesse em maximizar \(R^2\).353
Em pesquisas com fundamentação teórica ainda em consolidação.353
Em situações de amostras moderadas ou pequenas, desde que respeitadas recomendações mínimas de poder estatístico.353
32.4 Ajuste e avaliação do modelo
32.4.1 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.351
RMSEA e SRMR medem erro de aproximação, sendo valores baixos indicativos de melhor ajuste.351
CFI e TLI avaliam ajuste comparativo, sendo valores próximos de 0,95 considerados desejáveis.351
AIC e BIC são usados para comparação entre modelos concorrentes.351
Índices globais de ajuste, embora úteis, não garantem validade teórica nem utilidade prática do modelo.352
Ajustes elevados podem refletir adequação matemática sem necessariamente traduzir relevância.352
32.5 Problemas comuns na aplicação de SEM
32.5.1 Quais são problemas frequentes na aplicação de SEM?
Falta de justificativa teórica para relações causais especificadas.351
Ausência de explicação adequada das variáveis latentes.351
Não relato de coeficientes, erros padrão ou valores de \(R^2\).351
Falta de justificativa do tamanho amostral.351
Ausência de validação do modelo.351
32.5.2 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.351
A inclusão de covariâncias não justificadas pode artificialmente melhorar índices de ajuste sem suporte teórico.351
O pacote lavaan354 fornece a função lavaan para ajustar modelos estruturais de variáveis latentes.
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,