Beruflich Dokumente
Kultur Dokumente
Sociológica
Analisar modelos com Equações Estruturais
Rui Brites
1
rui.brites@iscte.pt
Modelação de Equações Estruturais (MEE)
(SEM structural equations modeling)
com SPSS/AMOS®
O essencial
Exemplo de aplicação
2
Os modelos de equações estruturais (MEE) podem ser vistos,
segundo Klem*, como uma extensão da regressão múltipla, se for
considerado que na aplicação da regressão o investigador está
interessado em prever uma única variável dependente, enquanto
nos MEE há mais do que uma variável dependente.
• Regressão: X influencia Y;
• MEE: X influencia Y e Y influencia Z.
Uma das características básicas da MEE é o de permitir testar uma
teoria de ordem causal entre um conjunto de variáveis pois:
4
A MEE revela-se muito útil quando se pretende testar modelos
complexos, com múltiplas variáveis simultâneas e traços latentes,
sendo apresentada por vários autores como uma mistura de análise
factorial com a regressão múltipla.*
O processo inicia-se com a formulação do modelo teórico que
estabelece as relações causais entre um conjunto de variáveis. Este
deve estar devidamente fundamentado na teoria, entendendo-se
o respectivo diagrama como o resumo das hipóteses que se
pretendem validar.
A MEE começa pelo enunciar dos aspectos teóricos do estudo. Por
conseguinte, a elaboração teórica de modelos hipotéticos é
fundamental no contexto da MEE, pois as relações entre as variáveis,
a estabelecer pelo investigador devem basear-se em pressupostos
teóricos consistentes ou em evidências empíricas anteriores.
7
* A base de dados original está disponível em http://www.europeansocialsurvey.org/
Modelo de
medida
(Análise Factorial Confirmatória)
8
Os modelos de medida especificam a forma como as variáveis
observadas dependem das variáveis latentes. Veja-se o seguinte
exemplo, que comporta quatro medidas distintas:*
* Arbuckle, J. L. (1995-2007). Amos 16.0 User’s Guide, USA, Amos Development Corporation. Disponível 9em:
http://www.amosdevelopment.com/download/Amos%2016.0%20User's%20Guide.pdf
No nosso exemplo pretendemos confirmar se os 3 indicadores
de Confiança Social (a8, a9 e a10) e os 4 de Confiança nas
Instituições Públicas nacionais (b7, b8, b9 e b10) são
explicados pelas variáveis latentes Confiança Social e
Confiança Institucional, respectivamente, bem como saber a
correlação entre elas. O modelo teórico é o seguinte:
Confiança interpessoal
Confiança no Parlamento
Confiança na Polícia 10
Especificação do Modelo
Variáveis observadas
e1 Confiança interpessoal
Erros de medida
Correlação entre as
e4 Confiança no Parlamento variáveis latentes
,85
e2 Confiança na honestidade dos outros Confiança
,82
Social
e3 Confiança no altruísmo dos outros
,34
e4 Confiança no Parlamento
,88
e7 Confiança na Polícia
12
* Designados por pesos factoriais na Análise Factorial Confirmatória
Resultados da Análise
Formato publicação
,85
Confiança na honestidade dos outros Confiança
,82
Social
,34
Confiança na Polícia
13
Análise de
Caminhos
(Path Analysis)
14
De acordo com Bryman e Duncan*:
“A path analysis é uma extensão dos procedimentos referentes à
regressão múltipla. De facto, este tipo de análise implica o uso da
regressão múltipla em relação a modelos causais explicitamente
formulados”.
16
Resultados do exemplo apresentado no slide 9
Confiança na Polícia
Grau de felicidade
que sente
Satisfação com
o estado da Economia
0;
e2
1
Confiança na Polícia
1 0;
Grau de felicidade e5
que sente
Satisfação com o funcionamento
Confiança no Parlamento da Democracia
1
0;
e3 19
Resultados da Análise
Coeficientes de correlação e1
Coeficientes de regressão estandardizados (Beta)* ,25
,23
,83 -,50
e2
-,14 ,17
,37 ,55
,55 ,26
,60
,30
Confiança na Polícia
,23
,16 Grau de felicidade e5
,38
que sente
,25 Satisfação com o funcionamento
Confiança no Parlamento da Democracia
* Efeito de x em y e3
20
** % de variação de y explicada pelas variáveis especificadas no modelo
Resultados da Análise
Formato publicação
,25
Satisfação com
o estado da Economia
,23
,83 -,50
-,14 ,17
,37 ,55
,55 ,26
,60
Confiança na Polícia ,30
,23
,16
Grau de felicidade
,38
que sente
,25 Satisfação com o funcionamento
Confiança no Parlamento da Democracia
21
Exemplo de aplicação
A satisfação dos estudantes
universitários portugueses
(resultados mais importantes)
22
Diagrama da Análise de Equações Estruturais dos
indicadores de satisfação
(Coeficientes Beta e correlação linear)
Melhores cap.comunicação
Edifícios e envolvente Laboratórios
Relacionam.interpessoal
Salas de aula ,78
Rec.bibliotecários ,88
,78
,89 Melhores cap.liderança
Turmas ,67
Interacção com docentes ,80
,58 ,63 Melhores cap.trabalho
,79
,62
Qual.aconselham. ,74
,53
,88 Mais conhecimentos
,55
,57 Satisfação Satisfação
Disciplinas opção Satisfação ,89
Aspectos Apoio Aspectos de Expect.intelectuais
,82
Académicos Académico Desenvolvimento
Qual.conteúdos
,84 Pessoal
Expect.pessoais
,80 ,88
Conhecimento
,74
Qual.ensino ,83 ,24
,43
-,02
Avaliação ,27
,09 ,27
,24
,34
Relevância ,78
,30
,11
,28
,40
Curso Instituição Empregabilidade Prestígio social
25
Para além dos resultados estandardizados (coeficientes
de regressão e de correlação), deve também ser
disponibilizada informação sobre o ajuste dos dados. Os
índices de ajuste dão informação sobre a qualidade do
ajuste do modelo hipotético com os dados amostrais.
26
Modelo de medida (AFC)
χ2 dá uma ideia ampla sobre o ajuste do modelo. A hipótese
nula é a de que o modelo se ajusta perfeitamente à população,
pelo que interessa não rejeitar.
27
CMIN/DF Complementa a informação sobre o χ2. É a razão
entre χ2/graus de liberdade.
Considera-se um bom ajuste quando a razão entre χ2/graus de
liberdade não excede 5. Os modelos especificados são,
normalmente, rejeitados pelos testes de excelência (ajuste
perfeito), devido à sua complexidade e ao número de
restrições. Neste caso rejeita-se a hipótese nula,
considerando-se, por conseguinte, que o ajuste não é perfeito:
28
Para contornar as limitações do teste do χ2, devem interpretar-
se os índices de aderência (Goodness-of-fit) para avaliar o
modelo.
NFI (Normed Fit Índex): compara o modelo hipotético com o
modelo de independência. Varia entre 0 e 1, considerando-se
um bom ajuste valores >0,90. Tendência para subestimar o
ajuste em amostras pequenas.
CFI (Comparative Fit Índex): interpretação idêntica ao NFI, já
que se trata de uma correcção ao mesmo para o tamanho da
amostra.
Revela um bom ajuste (CFI e NFI >09)
29
RMSEA (Root Mean Square Error of Aproximation): reconhecido
como um dos critérios mais informativos sobre MEE em
estruturas de co-variâncias. O RMSEA tem em conta o erro de
aproximação na população, cuja medida de discrepância é
expressa em graus de liberdade. É sensível ao número de
parâmetros estimados no modelo. Valores menores que 0,05
indicam bom ajuste, e valores maiores que 0,08 representam
erros razoáveis na aproximação com a população. Valores entre
0,08 e 0,10 indicam um ajuste medíocre, e maiores que 0,10,
um ajuste pobre. RMSEA de 0,06 pode ser um indicativo de bom
ajuste entre o modelo hipotético e os dados observados.
30
CN (Critical N); também chamado índice de Hoelter 0,05 e 0,01
(níveis de significância), adequação do tamanho da amostra ao
modelo postulado com 95% de confiança e 99% de confiança,
respectivamente. Este critério verifica a adequação do tamanho
da amostra, e não o ajustado modelo. A proposta deste índice é
uma estimativa do tamanho da amostra que seja
suficientemente adequado ao ajuste o modelo para o teste χ2.
Um valor que exceda 200 é indicativo que o modelo representa
adequadamente os dados amostrais.
31
Path Analysis
Qualidade global do ajuste:
32
Índices de ajuste (aderência)
33
Breve
tutorial
34
Execução do AMOS:
35
Especificação do Modelo
36
Especificação do modelo:
37
38
39
Bibliografia recomendada
Arbuckle, J. L. (1995-2007). Amos 16.0 User’s Guide, USA,
Amos Development Corporation. Disponível em:
http://www.amosdevelopment.com/download/Amos%2016.0
%20User's%20Guide.pdf, consultado em 26/02/2010.
Bryman, A. e D. Cramer (2003), Análise de Dados em
Ciências Sociais, Oeiras, 3ª edição portuguesa: 288-295.
Maroco, J. (2007), Análise Estatística com utilização do SPSS,
Lisboa, Sílabo, 3ª edição: 648-667.
Ullman, J. B. (2007). “Structural Equation Modeling”, em
Tabachnick, B. G. & L. S. Fidell (Orgs.), Using multivariate
statistics, (5ª ed.). Boston, Pearson Education.
40
É tudo.
Muito obrigado pela
vossa atenção!
41