Você está na página 1de 12

Psicologia: Teoria e Pesquisa

Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216

Modelos de Equaes Estruturais em Psicologia:


Conceitos e Aplicaes
Ronaldo Pilati1
Jacob Arie Laros
Universidade de Braslia

RESUMO O debate sobre procedimentos e tcnicas de tratamento de dados relevante para o contexto de produo e
avano do conhecimento em vrias reas do saber. Os Modelos de Equaes Estruturais so um conjunto de tcnicas de
tratamento de dados que tm recebido grande ateno de pesquisadores, especialmente nos ltimos 10 anos. Esse procedimento
de tratamento de dados possui suas razes relacionadas a distintas reas do conhecimento: a biometria, a econometria e
a psicometria. Como conseqncia de suas peculiaridades, o relato cientco em Modelos de Equaes Estruturais deve
considerar vrios aspectos relevantes, como a denio terica do modelo a ser testado, a especicao e identicao do
modelo, alm de aspectos de estimao e mensurao dos ndices de adequao. Vrios desses elementos so apresentados e
discutidos no presente artigo focando-se nas possibilidades de aplicao na Psicologia e em cincias correlatas. Perspectivas
futuras e limitaes dos Modelos de Equaes Estruturais so discutidas.

Palavras-chave: modelos de equaes estruturais; anlise de dados multivariados; modelos de equaes mltiplas.

Structural Equation Modeling in Psychology:


Concepts and Applications
ABSTRACT The debate concerning procedures and techniques of data treatment is relevant in the context of production and
progress of knowledge in a broad range of subject areas. In the past decade, a framework of data treatment methods denomi-
nated Structural Equation Modeling received a great deal of attention from researchers. This data treatment procedure has its
historical origins related to different areas of knowledge like biometrics, econometrics and psychometrics. As a consequence
of its unique characteristics, scientic report in Structural Equation Modeling should consider various relevant aspects, like
the theoretical denition of the model to be tested, the specication and identication of the model, as well as estimation and
measurement aspects of the adequation indices. Several of these elements are presented and discussed in the present article,
focusing on the possibilities of practical application in the eld of Psychology and related sciences. In addition, future perspec-
tives and limitations of Structural Equation Modeling are also discussed.

Key words: structural equation modeling; multivariate data analysis; multiple equation models.

Procedimentos de anlise de dados so caractersticos Isso ocorre graas ao aumento crescente da capacidade de
na pesquisa em psicologia. A complexidade dos fenmenos processamento de computadores e programas estatsticos
estudados exige que os pesquisadores das diferentes reas da mais poderosos e de fcil manuseio.
psicologia desenvolvam ou apliquem tcnicas multivariadas Esse incremento popularizou o uso de anlise estatstica
de anlise de dados condizentes com os fenmenos estuda- multivariada, o que permite o desenvolvimento terico e
dos. Isso pode ser observado desde o desenvolvimento de metodolgico do campo, possibilitando testes empricos de
modelos de testagem psicolgica ao nal do sculo XIX e modelos tericos de forma cada vez mais completa, pois os
princpios do sculo XX (Anastasi & Urbina, 2000; Laros, modelos multivariados atuais permitem que dezenas de rela-
2005; Thompson, 2004), at as discusses mais recentes so- es mltiplas possam ser testadas simultaneamente, o que
bre delineamentos de pesquisa experimental e quase-experi- coerente com a complexidade dos fenmenos de interesse
mental em Psicologia (Shadish, Cook & Campbell, 2002). dos cientistas psiclogos. Mas, de qualquer forma, esses pro-
Paralelamente ao desenvolvimento da pesquisa psicolgi- cedimentos de anlise de dados exigem ateno e cuidado do
ca, nas duas ltimas dcadas, o desenvolvimento da microin- pesquisador, para que ele seja capaz de realizar as aplicaes
formtica tornou o uso e aplicao de modelos estatsticos corretas, bem como interpretar resultados adequadamente,
mais complexos acessveis aos pesquisadores em Psicologia. evitando falcias ou falsas concluses.
Uma das tcnicas que tem se proliferado ultimamente
na cincia psicolgica e reas correlatas so os modelos de
equaes estruturais (MEE). Essa tcnica entendida por
1 Endereo: Departamento de Psicologia Social e do Trabalho, Instituto
autores do campo (e.g. Klem, 2002; Thompson, 2002; Ull-
de Psicologia. Campus Universitrio Darcy Ribeiro, Instituto Central man, 2007) como uma mistura de anlise fatorial e anlise
de Cincias - Ala Sul, Braslia, DF, Brasil 70900-000. E-mail: rpilati@ de regresso, que permite aos pesquisadores testar estruturas
unb.br fatoriais de instrumentos de medida psicomtrica, por meio

205
R. Pilati1 e J. A. Laros

da anlise fatorial conrmatria. A MEE no apenas permite Uma das questes centrais sobre o uso acadmico de
o teste conrmatrio da estrutura psicomtrica de escalas de modelos inovadores de tratamento de dados diz respeito
medida mas tambm pode ser utilizada para analisar relaes formao de pesquisadores e alunos de ps-graduao. A
explicativas entre mltiplas variveis simultaneamente, sejam profuso de programas de anlise de dados que realizam pro-
essas latentes ou observadas. Segundo Hox e Bechger (1998), cedimentos estatsticos complexos no garante que cuidados
a MEE proporciona um arcabouo geral e conveniente de essenciais no uso da tcnica sejam observados, o que pode
procedimentos de anlise de dados que incluem vrios pro- levar a resultados esprios e mal interpretados, construo
cedimentos tradicionais de anlise de dados multivariados. errnea de modelos, decises sobre ndices e pressupostos
A nomeao da tcnica profusa, pois vrios nomes equivocadas e uso indevido de uma srie de conceitos rela-
diferentes podem ser observados na literatura. Nunally e tivos MEE. Dentro desse contexto de ensino e produo de
Bernstein (1994) dizem que a tcnica conhecida como conhecimento em Psicologia e reas ans que este artigo
anlise de estruturas de covarincia e relaes estruturais se insere, pois tem o objetivo de apresentar e discutir sobre
lineares. J Ullman (2007) aponta que a tcnica tambm as concepes e aplicaes da MEE na produo de conhe-
conhecida como modelagem causal, anlise causal, mode- cimento em Psicologia e reas correlatas.
lagem de equaes simultneas e anlise de estruturas de
covaricia. Como forma de nomear a tcnica sem provocar Histrico e Conceituao
maior profuso, adota-se, no presente trabalho, o termo
modelos de equaes estruturais. A MEE uma tcnica de anlise de dados que possui
Dentro do escopo internacional de produo de conhe- origem hbrida, em ao menos trs diferentes cincias. De
cimento em Psicologia, o uso dessa tcnica de anlise de acordo com Kaplan (2000), a MEE foi inuenciada pela
dados tem se tornado cada vez mais comum. Em uma simples psicometria do incio do sculo XX, graas aos trabalhos
busca por operadores booleanos, restrita aos anos de 1980 seminais de alguns psicometristas (e.g. Pearson, Spearman,
a 2005, dentro de uma das mais abrangentes bases de dados Thurstone, entre outros). O modelo da psicometria clssica
de produo cientca em psicologia (PsycLIT da American estabeleceu o princpio de mensurao de caractersticas
Pscyhological Association), obtm-se como resultado apro- latentes humanas (e.g. habilidades cognitivas) por meio de
ximadamente 1.400 artigos cientcos que de alguma forma tarefas comportamentais. Os psiclogos procuravam men-
fazem uso da tcnica de modelos de equaes estruturais surar tais capacidades humanas por meio de uma srie de
como mecanismo de tratamento de dados. tarefas (i.e. itens dos testes) e a identicao da estrutura
A grande profuso do uso dessa tcnica de anlise de dessas medidas era dada pelas intercorrelaes entre esses
dados tambm pode ser notada pelo intenso debate que se itens. De acordo com Kaplan (2000), esse modelo de trao
d ao redor desse tema. Desde 1993, a SEMNET (Structural latente, que utilizava o modelo analtico da anlise fatorial,
Equation Modeling Network), uma lista de discusso mul- foi a primeira inuncia para o desenvolvimento dos atuais
tidisciplinar dedicada a debater os tpicos de interesse de modelos de equaes estruturais. No decorrer do sculo XX
pesquisadores e desenvolvedores dos modelos matemticos vrios outros psicometristas e estatsticos aperfeioaram o
de MEE, est em funcionamento, contando, j em 1998, modelo da anlise fatorial at o desenvolvimento do modelo
com mais de 1.500 integrantes de dezenas de pases (Kaplan, atual da MEE.
2000). Dentro dessa mesma perspectiva foi criado o peridico Kaplan (2000) aponta que a outra inuncia advinda
cientco Structural Equation Modeling: A Multidisciplina- dos modelos de equaes mltiplas. Essa linha de tratamen-
ry Journal, que desde 1994 vem publicando artigos inditos, to de dados foi originalmente proposta por um geneticista
empricos ou tericos que sejam relacionados ao tema de chamado Wright, que estava interessado em compreender
MEE. Como pode ser observado, a profuso do uso dessa aspectos da morfologia animal a partir da anlise simult-
tcnica, bem como dos problemas e desaos decorrentes da nea de diferentes variveis antecedentes. A partir do uso de
mesma, so intensamente debatidos na produo internacio- equaes de regresso mltipla, Wright criou a anlise de
nal em Psicologia e outras reas correlatas. trajetrias, em seus estudos seminais do incio do sculo
No contexto brasileiro, desde meados da dcada passada XX. Por outro lado, a lgica de anlise de equaes mlti-
comeou-se a notar um aumento de interesse sobre o uso da plas tambm foi desenvolvida no seio da econometria. Em
tcnica de MEE como estratgia de anlise de dados e teste de meados do sculo XX, os economistas estavam interessados
modelos tericos. Em uma busca com operadores booleanos, em compreender fenmenos macroeconmicos por meio do
na base de dados multidisciplinares Scielo, encontrou-se oito emprego de mltiplas equaes de regresso. De acordo com
artigos que abordam o tema de MEE. Quando essa pesquisa Kaplan (2000), essa questo atual e a preocupao com a
expandida para uma rea correlata Psicologia, a Admi- modelagem de equaes mltiplas de dados longitudinais
nistrao, mais especicamente nos anais dos ENANPADs segue em discusso na econometria.
(Encontro da Associao de Ps-Graduao e Pesquisa em Dessa forma, a MEE tem uma origem histrica hbrida
Administrao) e resumos da RAC (Revista de Administra- e aplicada a resoluo de problemas prticos de testagem de
o Contempornea), RAE (Revista de Administrao de modelos complexos, com mltiplas variveis simultneas e
Empresas) e RAUSP (Revista de Administrao da USP) traos latentes. Por esse motivo, a MEE apresentada por
uma busca simples revela cerca de 25 trabalhos que utilizam vrios autores como uma mistura de anlise fatorial com
a MEE como procedimento de anlise de dados. Observa-se, regresso mltipla e anlise de trajetrias (e.g. Ullman,
graas a esses e outros indicadores, o incio do interesse de 2007). A MEE uma tcnica de equaes estruturais ou
pesquisadores brasileiros sobre a temtica. equaes mltiplas, mas se diferencia da anlise de trajetrias

206 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
Modelos de Equaes Estruturais em Psicologia

porque trabalha com variveis latentes, ou seja, medidas no Com essa lgica, o modelo da MEE procura replicar um
diretamente observadas, mas sim derivadas de indicadores conjunto de dados observados por meio da imposio de pa-
observveis, como itens de uma escala de avaliao psico- rmetros nas matrizes, que so as relaes tericas denidas
lgica ou de comportamento organizacional. Dessa forma, pelo pesquisador. Essa caracterstica a principal diferena
a tcnica utiliza princpios tericos e lgicos dos modelos entre a MEE das outras tcnicas de anlise multivariada,
psicomtricos da anlise fatorial e a lgica de teste de equa- pois a imposio dos parmetros na matriz de relaes
es mltiplas da econometria. entre as variveis d a ela um carter conrmatrio, pois
Como a maioria das tcnicas de anlise de dados, a MEE exige do pesquisador uma pr-denio do tipo de relaes
til para o teste de modelos tericos em diferentes reas existentes entre as variveis do modelo em teste, que so
do conhecimento. utilizada, no contexto brasileiro, em operacionalizadas em termos de restries nas matrizes. Por
pesquisas de Psicologia Organizacional e do Trabalho (e.g. esse motivo, a MEE necessita que a) as medidas utilizadas
Pilati & Abbad, 2005), Psicologia Social (e.g. Gouveia, Mar- pelo pesquisador sejam de boa qualidade psicomtrica e b)
tinez, Meira & Milfont, 2001), Marketing (e.g. Frederico & modelos tericos slidos e fundamentados em pesquisas
Robic, 2005), gesto de pessoas (e.g. Medeiros, Albuquerque anteriores que permitam ao pesquisador estabelecer essas
& Marques, 2005), entre outras reas. Assim, demonstra-se imposies (relaes pr-denidas) com propriedade. De-
como tcnica til para o desenvolvimento terico de diversas vido a essa ltima caracterstica que a MEE entendida
subreas da Psicologia, bem como para outras disciplinas que como uma tcnica conrmatria, pois a modelao terica
tenham a necessidade de mensurao e teste de relaes entre sobre o que est sob investigao deve ter ocorrido antes
fenmenos complexos e que exijam a anlise de mltiplas da anlise dos dados.
relaes simultneas, entre as quais variveis latentes. Uma outra questo de fundamental importncia no
Alm disso, a MEE pode ser utilizada como procedimen- campo e relacionada ao carter conrmatrio da tcnica
to de tratamento de dados em diferentes delineamentos de diz respeito MEE estabelecer relaes causais. Muitos
pesquisa em Psicologia e cincias humanas. Usualmente, a autores tm discutido sobre a questo causal da MEE e o
maioria das aplicaes tem sido observada em pesquisas de debate continua em aberto (e.g. Bullock & cols., 1994; Hox
delineamento correlacional, nas quais mltiplas variveis so & Bechger, 1998). De acordo com Shadish e cols. (2002),
mensuradas e suas relaes so testadas por meio da MEE, relaes causais dizem respeito a controles metodolgicos
sem controle de variveis. Mas a tcnica tambm pode ser e no estatsticos sobre variveis de um estudo. Bullock e
utilizada em delineamentos de pesquisa de outros tipos, como cols. (1994) argumentam que se os dados so correlacio-
os quase-experimentais ou experimentos de campo ou os nais por natureza, nenhum mtodo estatstico pode alterar
delineamentos experimentais clssicos (Bullock, Harlow & o delineamento (p. 254).
Mulaik, 1994; Shadish & cols., 2002). A aplicao de MEE Nessa mesma linha de argumentao, Hox e Bechger
nesse contexto traz vrias vantagens para o pesquisador que (1998) dizem que a maioria dos estudos que utilizam MEE
est conduzindo experimentos, pois, de acordo com Shadish correlacional e que a interpretao causal do modelo nal
e cols. (2002), pode ser correta, mas que a MEE no consegue transformar
magicamente dados de natureza correlacional em relaes
um simples experimento randmico nos aponta a ocorrncia causais. Dessa forma, Hox e Bechger (1998) argumentam
de um efeito. O uso de modelagem causal nos ajuda a explicar que os pesquisadores devem ter em mente que, se um mo-
o efeito por meio da modelagem de possveis relacionamentos delo corroborado pelos dados em estudos de MEE, isso
entre componentes moleculares da varivel independente, de no implica que esse modelo tenha sido provado como
variveis mediadoras, de variveis moderadoras e da varivel verdadeiro, mas sim que o modelo no foi falseado. Isso
dependente (p. 404). no implica na ausncia de outros modelos concorrentes
que possam, tambm, ser no-falseados. Esse princpio
Em suma, vericados os pressupostos de anlise, a MEE lgico argumentado pelos autores corrobora a noo epis-
pode ser aplicada independentemente do delineamento de temolgica falsicacionista de produo de conhecimento
pesquisa, o que pode trazer luz para resultados de experi- (Popper, 1972), o que totalmente coerente com as reais
mentos que exijam a avaliao de mltiplas variveis, alm preocupaes da cincia psicolgica contempornea. O que
do teste de relaes diretas e indiretas simultneas. deve ser evitado que os pesquisadores, por mal uso de
conceitos de MEE, faam concluses ou tomem decises
MEE: Conceitos Bsicos equivocadas, dado o princpio epistemolgico subjacente
concepo da tcnica.
Segundo Bollen (1989), a MEE tem por lgica bsica a Assim, a atribuio de causalidade entre dois fenmenos
reproduo da matriz de covarincias populacionais por meio (i.e. A causa B) est associada capacidade do delineamento
das covarincias amostrais associadas s imposies de par- de pesquisa elaborado controlar a multiplicidade de fatores
metros determinadas pelo pesquisador. Se o modelo imposto que podem, tambm, interferir na variao de B e isolar o
for plausvel, isso signica que covarincias provenientes de efeito provocado por A, chegando-se, ento, concluso
dados amostrais podem reproduzir os dados populacionais de que A causa B. A questo da causa em cincia est
associados ao conjunto de parmetros do modelo estrutural. diretamente relacionada ao tipo de delineamento utilizado
Modelos plausveis indicam que a reproduo gerou resduos pelo pesquisador em sua investigao e no metodologia
reduzidos. Do contrrio, se essa reproduo no foi plausvel, estatstica por ele utilizada para o controle matemtico-es-
os resduos so elevados. tatstico dos dados empricos. A noo de causa em MEE

Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216 207
R. Pilati1 e J. A. Laros

est estreitamente relacionada lgica de imposio ou com Hox e Bechger (1998), essas relaes tambm podem
restrio de relaes entre variveis, algo realizado pelo ser entendidas como cargas fatoriais, se relativas anlise
pesquisador com suporte terico e emprico precedente. Essa fatorial conrmatria de instrumentos de medida. J as setas
concepo tambm relacionada direo dos coecientes curvas e bidirecionais representam correlao ou covarincia
de determinao, tambm estabelecidos pela perspectiva entre variveis. Um outro aspecto relevante que deve ser
terica do pesquisador. Mas esses aspectos no signicam ressaltado em relao Figura 1 a predenio do valor
que a adequao das relaes impostas indique relao de uma relao de determinao ou carga fatorial entre a
causal entre variveis, mas sim uma relao preditiva ou varivel latente e uma varivel observada (e.g. a relao
de determinao. Em suma, o problema da relao causal entre F1 e V1 denida com valor um). Essa predenio
um artefato metodolgico (Shadish & cols., 2002) e no importante para o estabelecimento da mtrica em que as
matemtico, como muito da discusso na literatura de MEE relaes sero apresentadas na anlise.
pode levar a entender. Um outro aspecto relevante na nomenclatura de MEE diz
Em MEE, uma das questes primordiais diz respeito respeito ao tipo de variveis dos modelos. Kaplan (2000)
especicao do modelo. Isso , o estabelecimento de re- dene que o primeiro chamado de variveis endgenas e
laes entre as variveis, a denio dos tipos de variveis se referem quelas que recebem setas unidirecionais. Essas
no modelo e a caracterizao do tipo de modelo existente. so conhecidas tambm como variveis critrio ou vari-
Segundo Hox e Bechger (1998), o processo de especicao veis dependentes. J as variveis exgenas so aquelas que
de um modelo guiado pela combinao de elementos teri- originam setas unidirecionais, sendo tambm conhecidas
cos e de evidncias empricas de pesquisas anteriores. Uma como variveis preditoras ou variveis independentes. Em
caracterstica comum em MEE, como forma de especicao, MEE ocorrem casos nos quais uma mesma varivel pode
a representao grca ou pictrica dos modelos estruturais. ser endgena ou exgena, ou seja, ela pode receber e
Essa representao possui uma simbologia de nomenclatura enviar setas, comportando-se como varivel critrio e
convencionada pelos pesquisadores do campo. As relaes varivel preditora simultaneamente. Isso possvel devido
estruturais entre variveis so representadas por diagramas. a aspectos tericos de mediao entre variveis, tipo de
Nesses diagramas, as variveis representadas por retngulos relao que pode ser testado em MEE.
ou quadrados indicam variveis observadas e variveis repre- Alm da denio do tipo de variveis para a especi-
sentadas por crculos ou elipses indicam variveis latentes. As cao de um modelo, crucial a denio da caracterstica
variveis latentes, por sua vez, esto associadas s variveis geral do mesmo. De acordo com Kline (1998), existem dois
observadas, pois os construtos latentes so aferidos, via de tipos bsicos de modelos em MEE: recursivos e no-recursi-
regra, por fenmenos observveis do campo de investigao vos. Modelos recursivos tm como caracterstica a ausncia
(e.g. os itens de um instrumento psicomtrico de medida so de covarincia entre distrbios de variveis endgenas e a
os indicadores observveis de construtos latentes que tais unidirecionalidade das relaes de determinao entre as va-
itens tm como funo mensurar). Hair, Anderson, Tatham riveis (i.e. no existem setas unidirecionais de retorno entre
e Black (2005) denem variveis latentes como a operacio- variveis endgenas e exgenas). Modelos no-recursivos,
nalizao de construtos em MEE. Construtos so variveis por sua vez, possuem relao de dupla determinao entre
no diretamente obervadas, mensuradas de forma indireta por variveis (i.e. duas setas unidirecionais entre duas variveis
meio de variveis observadas. Por sua vez variveis observa- do modelo) e/ou correlaes (i.e. setas bidirecionais) entre
das ou manifestas so denidas por Hair e cols. (2005) como os distrbios de variveis endgenas.
os indicadores de uma varivel latente ou construto.
A Figura 1 uma representao pictrica de um modelo
de equaes estruturais. Nessa gura, as variveis latentes
ou fatores so representados pela sigla F, as variveis DL3
observadas pela letra V e os erros, associados a cada 1
V9 E9
varivel observada, pela letra E. O distrbio, erro asso- 1 1 1
ciado a uma varivel dependente, representado pela letra E1 V1 1 1
D. Ressalta-se que variveis latentes so aqui entendidas V8 E8
1
como fenmenos que no so mensurados via observao E2 V2 F1 F3 1
direta, mas sim de forma indireta por meio de indicadores V7 E7
1
observados. No caso da Psicologia muito comum que E3 V3
1
estes indicadores observados sejam itens de instrumentos V6 E6
psicomtricos, como defendido no mbito da psicometria F2
(Anastasi & Urbina, 2000; Pasquali, 2003).
Como pode ser observado na Figura 1, as relaes 1
explicativas entre as variveis so descritas por setas
V4 V5
unidirecionais. Cada uma dessas setas pode ser descrita
1 1
matematicamente como uma reta de regresso2. De acordo
E4 E5

2 Equao linear de regresso simples: y = a + bx + e; onde a o Figura 1. Exemplo de representao pictrica de modelo de equaes
intercepto, o b o coeciente angular e o e o termo de erro. estruturais.

208 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
Modelos de Equaes Estruturais em Psicologia

A Figura 1 um exemplo prototpico de um modelo o modelo em teste seja ao menos superidenticado, ou seja,
recursivo, pois as relaes de determinao (setas) so todas que tenha GL maior que zero.
unidirecionais, ou seja, partem dos fatores (F) ou para outros
Fs ou para variveis observadas (Vs). Tomando-se como base Pressupostos da MEE
o modelo da Figura 1, este poderia se tornar no-recursivo se,
por exemplo, uma nova seta unidirecional fosse inserida no Como toda tcnica pertencente ao modelo linear geral
modelo, indicando uma relao de retorno entre F3 e F2. (MLG), a MEE exige que os dados possuam certos pressupos-
A caracterstica de um modelo de MEE crucial para o pro- tos para serem submetidos a modelagem. Maiores discusses
cesso de identicao de modelos estruturais, pois modelos sobre essa questo podem ser encontradas em Tabachnik e
no-recursivos tm um nmero maior de parmetros para Fidell (2007). Textos especcos dedicam-se a desenvolver
serem estimados, o que traz certas exigncias para o processo argumentaes sobre a importncia da anlise exploratria
de anlise. de dados para adequao ao modelo linear geral, explanando
Em relao especicao de modelos estruturais, tambm sobre tcnicas de identicao e resoluo de problemas de
necessria a denio dos dois sub-modelos existentes. O ausncia de pressupostos para anlise de dados. Para tanto,
primeiro refere-se ao modelo de mensurao, que se traduz na sugere-se ao leitor que busque essa literatura especca, pois
relao entre variveis latentes e as variveis observadas (i.e. no presente trabalho pretende-se abordar apenas algumas das
mensuradas na realidade emprica), que permitem a mensura- questes relativas aos pressupostos dos dados estatsticos,
o dos fenmenos latentes existentes no modelo. Na Figura aquelas consideradas mais relevantes na MEE.
1, o modelo de mensurao representado pela relao entre Um dos mais importantes pressupostos dos dados para
os fatores (F) e as variveis observadas (Vs). A adequao e a MEE a normalidade das distribuies das variveis. H
ajuste do modelo de mensurao crucial para que um modelo necessidade de que os dados em anlise respeitem pressu-
de equaes estruturais possa ser testado. Esse processo de postos de normalidade univariada e multivariada. A MEE
aferio do modelo de mensurao conhecido como anlise utiliza diferentes mtodos de estimao para o clculo dos
fatorial conrmatria (AFC). O segundo sub-modelo existente parmetros do modelo. O mais difundido dos mtodos o
o chamado modelo estrutural ou diagrama estrutural, que da mxima verossimilhana (MLE), que exige que os dados
trata das relaes entre variveis latentes do modelo em teste. tenham normalidade para a estimao. Nesse mtodo, alm da
Na Figura 1, o modelo estrutural representado pelas relaes normalidade univariada, necessrio que os dados possuam
entre os fatores (Fs). normalidade multivariada. De acordo com Kline (1998), a
Outro aspecto para o teste de modelos estruturais a iden- normalidade multivariada signica que a) os dados tenham
ticao do modelo. Pelo seu carter conrmatrio, a MEE todos distribuio univariada normal; b) a distribuio conjunta
impe relaes entre variveis que so simultaneamente ex- de qualquer combinao de variveis deve ser normal e c)
pressas por uma matriz de dados. Por essas relaes no serem todos os grcos de disperso bivariados devem ser lineares
informaes presentes na matriz de covarincias necessrio e homocedsticos. Segundo Kline (1998), de forma a permitir
que as mesmas sejam estimadas por mtodos matemticos. a anlise conjunta da normalidade das variveis, programas
Essa estimao tem como ponto de partida os dados presentes de modelos de equaes estrurais, como o AMOS, calculam
na matriz. A referida caracterstica gera um problema de falta ndices de assimetria e achatamento multivariados, por meio
de informaes para o processo de estimao. Quanto maior for do coeciente de Mardia (1971). Dessa forma, possvel que o
o nmero de parmetros (relaes entre variveis, varincias pesquisador avalie essa caracterstica da distribuio de dados
e covarincias a serem estimadas), maior a diculdade para a e utilize um mtodo de estimao de parmetros coerente com
estimao. De acordo com Kaplan (2000), a identicao de o padro de normalidade das variveis.
um modelo estrutural ocorre quando o nmero total de par- Existem mtodos de estimao dos parmetros que no
metros a serem estimados pode ser unicamente representado exigem o pressuposto da normalidade dos dados, como o ADF
pelo conjunto de dados da matriz de covarincias amostrais. A (Mtodo Assinttico Isento de Pressupostos de Distribuio).
regra mais simples e difundida para se estabelecer o ndice de O MLE, entretanto, apresenta algumas vantagens relevantes,
identicao do modelo de equaes estruturais a regra da como a facilidade do processamento estatstico e tamanho
contagem (Byrne, 2001; Kaplan, 2000; Ullman, 2007). Na ma- reduzido da amostra, alm da possibilidade de estabelecimento
triz de covarincias ou correlaes o nmero total de elementos de diversos ndices de adequao. O pesquisador deve estar
no redundantes igual a 1 2 p( p  1) onde p o nmero total atento a esses aspectos para poder estimar com validade e
de pontos da matriz de covarincia ou correlaes. preciso os parmetros do modelo. Caso o pressuposto da
Se o nmero total de parmetros for igual ao nmero de normalidade no seja atingido, mesmo aps a aplicao de
elementos no redundantes, tem-se um modelo identicado, procedimentos de transformao das variveis (e.g. Osborne,
ou seja, os graus de liberdade (GL)3 desse modelo so iguais 2002), o pesquisador pode optar por utilizar outros mtodos de
a zero. Se for menor ou maior ao nmero, tem-se, respectiva- estimao, como o ADF. De acordo com Kline (1998), alm
mente, modelos sub-identicados e superidenticados. Para dos processos de transformao de variveis, o pesquisador
que seja possvel a estimao dos parmetros, essencial que tambm pode optar pelo tratamento dos casos extremos como
forma de incrementar a normalidade dos dados.
Outro pressuposto de grande importncia relativo aos
3 Os graus de liberdade de um modelo de equaes estruturais so de- casos omissos, ou dados faltosos. De acordo com Kline (1998),
nidos pela diferena entre o nmero de elementos no redundantes esse um problema comum em pesquisa de diferentes reas,
na matriz de correlaes e o nmero de parmetros do modelo. mas que deve ser tratado para no inuenciar o processo de

Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216 209
R. Pilati1 e J. A. Laros

anlise por meio da MEE. A falta de dados brutos ocasiona pro- o grca do modelo hipottico, xao da escala de medida
blemas na estimao dos parmetros de um modelo estrutural, do modelo de mensurao); f) descrever mtodos de estima-
pois os coecientes da matriz de covarincia so obtidos com o de parmetros; g) denir ndices de ajuste e valores de
nmeros no homogneos de dados brutos. De acordo com referncia para cada um; h) apresentar coecientes estimados
Little e Rubin (1987), esse tipo de ocorrncia deve ser superado e seu teste de signicncia; i) apresentar ndices de ajuste do
pelo uso de tcnicas de estudo do carter de sistematicidade de modelo; j) relatar resduos; k) descrever possveis ndices de
dados omissos e pela posterior estimao dos valores omissos modicao do modelo; e l) justicar teoricamente possveis
por meio do uso de um procedimento adequado de estimao. modicaes do modelo hipotetizado.
Essa estimao ou imputao de dados brutos essencial para O primeiro passo para se estabelecer um relato de MEE
que as covarincias ou correlaes da matriz sejam calcula- com os devidos cuidados est relacionado aos aspectos teri-
das com um nmero homogneo de informaes. Portanto, cos do estudo. Como j discutido anteriormente e partilhado
a questo de dados omissos crucial em anlises do modelo por diferentes autores do campo (e.g. Bullock & cols., 1994;
linear geral e vrias estratgias de resoluo dessas questes Byrne, 2001; Kaplan, 2000; Ullman, 2007), a MEE possui
esto disponveis na literatura especializada. um carter conrmatrio. Por esse motivo, essa no uma
Kline (1998) ainda discute que, alm dos pressupostos tcnica adequada para explorar relaes entre variveis, o
at aqui comentados, o pesquisador tambm deve estar atento que pode ser efetuado por meio de outras tcnicas de esta-
para questes de homocedasticidade, heterocedasticidade, tstica multivariada (para maiores detalhes veja Tabachnik &
singularidade e valores ou casos extremos. Apesar de mag- Fidell, 2007 ou Hair & cols., 2005). Por essa caracterstica,
nitude e inuncia menor sobre o processo de MEE, esses a elaborao terica de modelos hipotticos to importante
pressupostos tambm devem ser observados para que no no contexto da MEE, pois as relaes que sero construdas
ocorram problemas com o processo de estimao dos pa- pelo pesquisador entre as variveis devem ser embasadas em
rmetros e ndices associados MEE. Como salientado no pressupostos tericos e evidncias empricas anteriores. Essa
incio dessa seo, no funo do presente trabalho esgotar caracterstica essencial para que o pesquisador possa alcanar
a discusso sobre pressupostos de anlise, mas apenas alertar resultados teoricamente coerentes e modelos ajustados aos
aos leitores sobre aspectos dos pressupostos considerados dados. Caso o campo de investigao no possua tais evidn-
como mais relevantes. cias, recomenda-se que o pesquisador inicie os estudos com a
utilizao de outras tcnicas multivariadas de anlise de dados
Informaes Essenciais em Relatos de MEE que no possuam caracterstica conrmatria.
O levantamento e a descrio de aspectos tericos permi-
Devido s suas caractersticas peculiares como tcnica de tem ao pesquisador o desenho de modelos a serem investigados
anlise e tratamento de dados, o uso da MEE deve ser relatado por meio da MEE. Essa etapa do processo refere-se formula-
levando-se em considerao alguns aspectos. Tais aspectos o de hipteses de relaes entre variveis. Essa formulao
so relativos clareza de transmisso das informaes e ao de hipteses permitir ao pesquisador denir as relaes de
tipo de informaes que devem ser transmitidas para que a determinao entre variveis do modelo estrutural. Dentro de
comunidade cientca possa ter acesso aos aspectos cruciais uma perspectiva terica podem existir modelos concorrentes
que levaram o pesquisador s decises tomadas e concluses e o pesquisador dever modelar teoricamente seu conjunto de
alcanadas. Na literatura internacional, so observados arti- hipteses da forma mais coerente e lgica possvel, para que
gos cientcos que buscam discutir esses aspectos do relato suas hipteses faam sentido no processo de construo de
de estudos que utilizam MEE (e.g. Boomsma, 2000; McDo- conhecimento em um campo do saber. A escolha e a denio
nald & Ho, 2002). Como o objetivo do presente trabalho das relaes mais procedentes entre variveis so relativas
apresentar elementos gerais e bsicos para o uso criterioso modelagem terica de uma rea do saber e dizem respeito a
da MEE no contexto da pesquisa brasileira, decidiu-se por um aspecto essencial para a especicao e identicao de
apresentar alguns dos princpios de apresentao de resulta- um modelo estrutural a ser testado por meio da MEE.
dos discutidos na literatura internacional da rea. Espera-se Outro aspecto de fundamental importncia e parte integral
que essa discusso possibilite o aprimoramento do tema na de um relato de MEE relativo fundamentao terica das
pesquisa em Psicologia e em reas correlatas no Brasil. medidas no modelo. A tradio terica da MEE est centrada
Os cuidados no relato de pesquisas com uso de MEE nos modelos de trao latente, presentes na Psicologia desde
devem seguir aspectos relativos aos conceitos bsicos de o princpio do sculo XX (Anastasi & Urbina, 2000; Kaplan,
MEE. Portanto, pode-se observar que alguns dos aspectos 2000; Ullman, 2007). A teoria psicomtrica pressupe que
aqui tratados so conceituados em sees anteriores. Por a resposta a um conjunto de itens de um instrumento esteja
um motivo de exposio lgica dos princpios do relato da associada a um trao latente (i.e. habilidade, atitude, etc)
MEE, os elementos cruciais sero apresentados na seqncia presente nos esquemas cognitivos dos indivduos. A partir
lgica de preocupao do pesquisador. Assim, os relatos de desse pressuposto, modelos tericos foram desenvolvidos
MEE devem considerar os seguintes elementos: a) aspectos para a construo de medidas de fenmenos latentes. Os
tericos; b) elaborao de modelos (relaes hipotetizadas modelos da psicometria clssica ou da psicometria moderna,
entre as variveis); c) determinao terica e descrio dos respectivamente Teoria Clssica dos Testes (TCT) e Teoria de
aspectos psicomtricos das medidas do modelo; d) especi- Resposta ao Item (TRI), denem conceitos e procedimentos
cao do modelo (de suas duas partes, a saber, mensurao e para a estruturao terica e validao emprica de medidas
estrutural); e) identicao do modelo (i.e. relao parmetros (Pasquali, 2003). O pesquisador que faz uso da MEE deve ter
versus pontos de dados da matriz de correlaes, representa- em mente que os instrumentos de medida devem ser vlidos

210 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
Modelos de Equaes Estruturais em Psicologia

e dedignos. Assim, fundamental que as medidas utilizadas to de normalidade das variveis. Os autores comentam que os
em um estudo de MEE tenham sido desenvolvidas a partir mtodos mais frequentemente utilizado so o MLE e o GLS,
de estruturas tericas slidas e que j tenham sua validade provavelmente devido sua maior difuso nos estudos semi-
demonstrada, preferencialmente em estudos anteriores. Alm nais de MEE. Ainda de acordo com Foguet e Gallart (2001),
disso, fundamental que o pesquisador tambm relate as a aparente superioridade do ADF, devido a no necessidade
caractersticas psicomtricas das medidas utilizadas, dando de que os dados atinjam o pressuposto de normalidade, no
possibilidade ao leitor de julgar a qualidade psicomtrica dos real, pois esse mtodo exige grandes contingentes amostrais
instrumentos de medida. para proporcionar estimaes conveis. Em relao ao
O quarto aspecto a ser considerado pelo pesquisador em tamanho da amostra, o MLE e o GLS funcionam bem entre
um relato de MEE diz respeito especicao do modelo. 200 e 500 indivduos, sendo possvel que sejam adequados
Esta necessita da explicitao de dois aspectos cruciais. O tambm para amostras maiores a depender das caractersticas
primeiro relativo especicao do modelo de mensura- dos dados em anlise. Por questes como essa, importante
o, que diz respeito qualidade das medidas utilizadas para que o pesquisador discuta e selecione mtodos de estimao
aferir as variveis latentes. Para tanto, o pesquisador deve adequados s caractersticas amostrais de seu estudo.
submeter as medidas anlise fatorial conrmatria (AFC) Aps a denio dos aspectos relativos estimao, o
por meio da MEE e testar a qualidade das medidas a partir pesquisador deve posicionar-se sobre os ndices de ajuste
dos ndices de adequao do modelo de mensurao, entre que sero utilizados para teste de adequao do modelo. Esse
outros indicadores. Essa etapa crucial para que problemas aspecto da MEE importante e o desenvolvimento de vrias
de estimao do modelo estrutural no sejam atribudos a estratgias de teste de adequao possibilitou o surgimento
decincias das medidas utilizadas pelo pesquisador. O se- de vrios e diferentes mtodos para a estimao do ajuste
gundo relacionado ao modelo estrutural e dene-se como de um modelo estrutural aos dados, tendo em vista que essa
as relaes de determinao e covarincias que as variveis uma das informaes mais relevantes em MEE. Segundo
exgenas e endgenas tero entre si. A denio do modelo Hox e Bechger (1998), o ndice clssico de ajuste de um
estrutural implica na atribuio de restries na matriz de modelo o qui-quadrado (2). Para esses autores o grande
dados, que so os parmetros que o processo de anlise de problema desse ndice seu alto grau de sensibilidade ao
dados deve estimar. Como a MEE trabalha intensamente com tamanho das amostras, o que torna o ndice signicativo, o
modelos grcos, essa especicao do modelo estrutural que no desejado pois indica a rejeio do modelo. O con-
pode ser representada por meio dos diagramas de MEE, como trrio tambm verdadeiro, pois se a amostra reduzida, o
aquele apresentado na Figura 1 do presente trabalho. ndice ser no-signicativo, o que pode levar o pesquisador
O processo de especicao do modelo traz tona a a aceitar um modelo quando outros concorrentes so mais
necessidade da identicao do modelo que ser testado. verossmeis. Para se lidar com situaes como essa, a rea de
O pesquisador que est a relatar um estudo com uso de MEE desenvolveu grande quantidade de ndices de adequao
MEE deve explicitar em sua argumentao as caracters- de modelos de equaes estruturais.
ticas de identicao do modelo, ou seja, a relao entre Ullman (2007) classica os ndices de adequao em
parmetros xos versus parmetros livres do mesmo. Para cinco categorias. A primeira denominada ndices com-
que o modelo em teste seja passvel de estimao este deve parativos e trabalha com a lgica de comparao do2 de
ter uma relao adequada entre parmetros livres (a serem modelos independentes com o 2 do modelo em teste. So
estimados) e parmetros xos, ou seja, o grau de liberdade exemplos desses ndices o NFI (Normed Fit Index), o NNFI
deve ser superior a zero. Essa informao j foi apresentada (Non-Normed Fit Index), o IFI (Incremental Fit Index) e o
anteriormente por meio da regra bsica de identicao do CFI (Comparative Fit Index). Um ndice peculiar nessa cate-
modelo. O pesquisador deve relatar essa relao de forma a goria, segundo a classicao da autora, o RMSEA (Root
propiciar ao seu leitor esta informao. Alm disso, tambm Mean Square Error of Approximation) que testa o ajuste
faz parte da identicao do modelo a denio da escala prximo do modelo por meio da comparao entre o modelo
de trabalho do modelo de mensurao que, como j comen- em teste e um modelo saturado com o mesmo conjunto de
tado anteriormente, feita por meio da xao, geralmente dados. A literatura aponta que valores entre 0,90 e 0,95 so
no valor um, de uma das cargas fatoriais de uma varivel indicadores de ajuste suciente e valores acima de 0,95 so
latente do modelo. considerados bons ajustes (Ullman, 2007). Em relao ao
Uma outra informao que os pesquisadores devem RMSEA, espera-se um valor menor do que 0,08 (Hancock
relatar o mtodo de estimao. A questo do mtodo de & Freeman, 2001; MacCallum, Browne & Sugawara, 1996)
estimao essencial para que o leitor possa compreender considerado como adequado, dado o poder do teste. Uma
a qualidade dos dados estimados, assim como as ameaas outra caracterstica relevante do RMSEA a possibilidade
ao processo de estimao, dadas as caractersticas dos da- de estimao de intervalos de conana do ndice, o que
dos. Segundo Foguet e Gallart (2001), so frequentemente auxilia no julgamento de ajuste prximo. Esses valores de
observados na literatura especializada quatro mtodos de intervalo de conana do RMSEA devem ser relatados pelo
estimao de parmetros em MEE: a) Quadrados Mnimos pesquisador. A segunda categoria, ndice de adequao ab-
No-Ponderados (ULS); b) Quadrados Mnimos Ponderados soluto, tem apenas um representante, o MFI. Esse realiza o
(GLS), que possuem a normalidade como pressuposto de tra- teste de adequao por meio da relao entre o 2 do modelo
balho; c) Mxima Verossimilhana (MLE), que tambm exige e seus graus de liberdade. Este ndice considerado absoluto
normalidade dos dados; e d) Mtodo Assinttico Isento de porque no compara o modelo em teste com qualquer outro
Pressupostos de Distribuio (ADF) que no exige pressupos- possvel modelo.

Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216 211
R. Pilati1 e J. A. Laros

A terceira categoria de ndices so aqueles relativos modelo testado. fundamental para o leitor de um relato
proporo de varincia explicada. So exemplos dessa ca- de MEE que ele tenha acesso completo s informaes pa-
tegoria de ndices: o GFI (Goodness of Fit Index) e o AGFI dronizadas dos coecientes que indicam as relaes entre
(Adjusted Goodness of Fit Index). Esses ndices baseiam-se as variveis do modelo. Isso porque essa informao pos-
no clculo da proporo da varincia explicada por meio sibilita a avaliao do grau e magnitude das relaes entre
da estimao. No caso destes, tambm se espera valores variveis alm do seu nvel de signicncia, reforando a
prximos a 1,0 para a indicao de ajuste do modelo. De dimenso do teste das hipteses especcas de um modelo,
acordo com Hox e Bechger (1998), pode-se aceitar um mo- permitindo assim melhor fundamentao para a discusso
delo com valores de 0,90 e um valor considerado indicador e desenvolvimento terico dos resultados do estudo. Outro
de um bom ajuste seria o de 0,95. elemento que deve estar presente no relato so ndices de
A quarta categoria de ndices diz respeito ao grau de adequao com os respectivos valores obtidos. Esses indi-
parcimnia do modelo testado. Fazem parte dessa categoria cadores permitiro ao leitor acessar a qualidade do modelo
o PGFI (Parcimony Goodness of Fit Index), o AIC (Akaike como um todo. Juntamente com os ndices de adequao,
Information Criterion) e o CAIC (Consistent Akaike Infor- importante o pesquisador apresentar informaes sobre os
mation Criterion). Esses ndices do informaes da ade- resduos da anlise. Essa informao complementar pode
quao do modelo por meio de uma relao entre o nmero ser apresentada de forma sinttica ou por meio da matriz de
de parmetros estimados e o nmero de pontos de dados na resduos e serve para o leitor complementar o julgamento
matriz de covarincias. De acordo com Byrne (2001), o AIC sobre a adequao do modelo e das imposies tericas
e o CAIC permitem a comparao de dois ou mais modelos. sobre os dados.
Aqueles modelos que obtiverem valores menores indicam Anlises por meio de MEE podem indicar possveis alte-
que possuem melhor ajuste. Para a anlise dos ndices raes nas relaes entre variveis que permitem viabilizar a
importante considerar os graus de liberdade do modelo, melhora do ajuste do modelo aos dados. Essas indicaes so
que nesse caso est relacionado ao nmero de parmetros fornecidas pelos ndices de modicao e devem ser cuidado-
estimados. No teste de adequao de modelos estruturais samente trabalhadas em um relato cientco. Uma dimenso
possvel a comparao de modelos concorrentes por meio dessa questo diz respeito aos ndices de modicao pro-
da restrio de um nmero diferente de relaes entre va- priamente ditos. De acordo com Ullman (2007), existem trs
riveis, o que diferencia o nmero de parmetros a serem tipos bsicos de ndices de modicao: Lagrange Multiplier
estimados. Se o pesquisador utiliza o AIC ou o CAIC para (LM), Wald Test e a comparao de 2 de modelos alterados. A
teste de adequao, ele deve considerar, alm da diminuio comparao de 2 uma estratgia interessante e funcional em
do valor absoluto dos ndices, o valor da razo crtica do modelos que tm caracterstica aninhada (Foguet & Gallart,
novo modelo e da diferena dos indicadores para todos os 2001). J o LM permite o teste e comparao do incremento
modelos em teste. Ento, o ndice de melhora de ajuste se d de ajuste a partir da insero de parmetros especcos no
pela razo crtica encontrada, que a relao entre o valor modelo e, portanto, exige a comparao desses elementos a
do ndice e o nmero de parmetros, e no simplesmente partir do teste de modelos especcos. De acordo com Ullman
pela diminuio do valor absoluto dos indicadores. (2007), o Wald Test trabalha em uma perspectiva parecida do
A ltima categoria de ndices descrita por Ullman (2007) LM, mas estima a alterao do ajuste por meio da eliminao
a dos ndices de ajuste baseados em resduos. O principal de parmetros do modelo.
representante o RMR (Root Mean Square Residual) e sua A partir do uso de ndices de modicao possvel
variao SRMR (Standardized Root Mean Square Residu- para o pesquisador alterar um modelo estrutural inicial, mas
al). Ambos avaliam a distncia entre os elementos predi- o processo de alterao, graas ao carter conrmatrio da
tos por meio da estimao dos parmetros do modelo e os MEE, no pode ser unicamente baseado nos indicadores
dados observados na matriz de covarincias. Nesse ltimo estatsticos de modicao. Para tanto, fundamental que o
caso, esperam-se valores prximos de zero como indica- pesquisador tenha fundamentao terica para modicao
dores de ajuste do modelo. O pesquisador que desenvolve do seu modelo inicial. Foguet e Gallart (2001) apresentam
um relato de MEE deve indicar ao seu leitor quais ndices alguns elementos que so esclarecedores para a modicao
sero utilizados para aferir o grau de ajuste do modelo, de modelos estruturais. Segundo os autores, o processo de
bem como, quais os valores de referncia encontrados no modicao das relaes estruturais de um modelo em MEE
processo de modelagem dos dados. Todos os valores dos deve buscar consistncia terica. Assim, o pesquisador no
ndices de ajuste apresentados no presente artigo funcionam pode proceder a modicaes extensas no modelo e reavaliar
como regras de tomadas de deciso, de forma que cabe ao seu grau de ajuste. Isso porque o processo de modicao
autor do relato que faz uso de MEE, a seleo dos ndices e est relacionado ao problema da capitalizao da chance, em
a denio dos critrios de corte com base em argumentao que as alteraes podem evocar erros de tipo I e de tipo II no
consistente sobre os ndices de adequao. modelo. Esses autores argumentam que vlido o processo de
Aps a descrio desses elementos preliminares, os modicao em pesquisas de MEE, mas que essas alteraes
autores devem procurar apresentar um conjunto sistemtico devem ser feitas com base em elementos tericos relevantes
de informaes que permita ao leitor avaliar os resultados al- e no exclusivamente nos ndices de modicao. Portanto,
canados. Para tanto, so essenciais os seguintes elementos: o pesquisador desenvolvendo um relato de MEE deve pre-
apresentao dos coecientes (determinao e covarincia) ocupar-se com os indicadores de modicao do modelo,
e seus respectivos graus de signicncia; apresentao dos mas procurar todas as evidncias tericas para efetivar tais
ndices de ajuste do modelo e apresentao dos resduos do modicaes.

212 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
Modelos de Equaes Estruturais em Psicologia

Devido s suas peculiaridades, o relato de um trabalho Exemplificao de Resultados de uma AFC


de pesquisa que tenha utilizado a MEE como estratgia de
anlise de dados e teste de modelos devem considerar os as- Como forma de elucidar alguns dos aspectos comentados
pectos aqui relatados. Isso porque tais aspectos permitem ao no artigo, principalmente os concernentes apresentao dos
leitor de resultados de MEE possuir informaes sucientes resultados de MEE (parte inferior da Figura 2), apresenta-se
para julgar e contrapor os resultados e concluses relatadas a seguir um exemplo de anlise fatorial conrmatria (AFC)
pelo autor. Alm disso, tais cuidados tambm auxiliam ao descrito por Arbuckle e Worthke (1999) no manual do usurio
prprio pesquisador a no chegar a julgamentos errneos ou do AMOS 4.0. importante ressaltar ao leitor que existem
falcias devido falta de cuidado com vrios dos aspectos vrios programas estatsticos que realizam anlise de MEE.
relativos MEE. Como j foi salientado anteriormente, Para aqueles interessados, recomenda-se a leitura de Ullman
h vrias questes terico-metodolgicas relativas ao uso (2007) que apresenta uma sntese comparativa entre tais pro-
da MEE que no podem ser esquecidas pelo pesquisador, gramas computacionais.
justamente para permitir que o desenvolvimento terico de Recorda-se que a AFC uma possvel aplicao da MEE.
um campo no seja limitado devido ao uso inadequado de Optou-se por apresentar uma AFC porque um tipo de anlise
estratgias de teste estrutural de modelos tericos. Como frequentemente utilizado por pesquisadores em Psicologia e
forma de estabelecer um princpio guia para o pesquisador reas correlatas, como forma de aferir a validade de construto
que faz uso da MEE, a Figura 2 apresenta o conjunto de de medidas.
aspectos que devem ser considerados no relato de pesquisa A Figura 3 apresenta o modelo estrutural do exemplo de
de MEE, como forma de sntese do que foi abordado nessa anlise conrmatria. Deve-se observar que h valores pr-
seo. denidos, uma carga fatorial para cada fator, que denem a
mtrica da anlise. Esses valores referem-se queles, sem erro
padro, apresentados na Tabela 1.

Aspectos Tericos 1
Percp. Visual err1
1

Delineamento de 1
Modelos Espacial Visual. Espacial err2

1
Fundamentao Orient. Espacial err3
Terica das Medidas

Especificao do 1
Comp. Pargrafos err4
Modelo 1

1
Identificao do Verbal Preenc. Sentenas err5
Modelo

1
Signif. Palavras err6
Mtodo de
Estimao Figura 3. Diagrama da AFC exemplificada por Arbuckle e Worthke
(1999).

ndices de Ajuste
A Tabela 1 apresenta os resultados da anlise fatorial
conrmatria. As informaes desta tabela so as bsicas que
Apresentar
devem ser relatadas em qualquer pesquisa de MEE.
Como pode ser observado na Tabela 1, so apresentadas
Coeficientes ndices Ajuste Resduos
informaes de cargas fatoriais, padronizadas e no-padroni-
zadas, erro padro de cada coeciente (valor entre parnteses
ao lado da carga no-padronizada) e coecientes de correla-
o mltipla de um instrumento para aferio de habilidades
ndices Modificao espaciais e verbais. Esse instrumento hipotetizado com
dois fatores latentes (i.e. espacial e verbal) que possuem
trs indicadores ou variveis observadas associados a cada
Fundamentao
Terica para
um: percepo visual, visualizao espacial e orientao
Modificao espacial para o fator espacial; e compreenso de pargrafos,
preenchimento de sentenas e signicado das palavras para
Figura 2. Aspectos a serem considerados em um relato MEE. o fator verbal.

Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216 213
R. Pilati1 e J. A. Laros

Tabela 1. Coecientes de determinao (cargas fatoriais), erro padro e correlao mltipla ao quadrado (SMC) da AFC descrita por Arbuckle e Worthke (1999).

Cargas fatoriais no-padronizadas Cargas fatoriais padronizadas SMC

Espacial Verbal Espacial Verbal

Percepo visual 1,00 0,70 0,49

Visualizao espacial 0,61 (0,14) 0,65 0,43

Orientao espacial 1,20 (0,27) 0,74 0,54

Compreenso de pargrafos 1,00 0,88 0,77

Preenchimento de sentenas 1,33 (0,16) 0,83 0,68


Signicado das palavras 2,23 (0,26) 0,84 0,71

Os ndices de signicncia de cada carga fatorial dessa alternativa para se lidar com essa situao seria trabalhar
anlise so determinados por meio da relao do valor da com matrizes de correlaes ou covarincias, base da MEE,
carga fatorial pelo seu erro padro. Essa diviso d a infor- adequadas para diferentes tipos de dados. Sugere-se que o
mao da razo crtica (RC), elemento crucial no relato de leitor interessado busque informaes especcas na literatura
resultados de MEE. Usualmente valores maiores do que 1,96 especializada.
e menores do que -1,96 so considerados signicativos em um Uma outra limitao do uso da MEE o tamanho das
teste bicaudal. No caso desse exemplo, todos os coecientes amostras que devem ser utilizadas para que os dados sejam
estimados obtiveram valores signicativos, indicando que submetidos MEE. Isso porque os estimadores da MEE
existe menos de 5% de probabilidade que os coecientes, na exigem variabilidade acentuada para realizar o processo de
verdade, sejam iguais zero. Aqueles que possuem valor 1 estimao. No caso dos estimadores que pressupe norma-
(um) associados so os que foram pr-xados, com o intuito lidade multivariada dos dados, o tamanho das amostras
de determinao da mtrica de apresentao dos coecientes menor se comparado queles que so livres de distribuio,
e por isso no possuem erro padro associado. mas mesmo assim ainda so amostras grandes. Essa carac-
Com relao aos ndices de ajuste, essa anlise obteve terstica pode afugentar os pesquisadores que trabalham
GFI=0,97 e CFI=1,0, o que indica altssimo grau de ajuste com delineamentos de menor nmero de sujeitos, como os
para os dois tipos de ndices. J o RMSEA igual a 0,00, delineamentos experimentais. Mas mesmo assim existem
com intervalo de conana de 90% variando de 0,00 a 0,137. possibilidades de aplicao de procedimentos de equaes
Essa informao tambm indica ajuste prximo desse modelo mltiplas e anlise de trajetrias que poderiam ser teis
de anlise fatorial, apesar de uma margem alta de variao nesses casos. Vale ressaltar que a discusso sobre esse tpico
no intervalo de conana. Sobre os resduos, observa-se ainda est aberta na literatura especializada, o que indica que
a existncia de alguns valores acentuados, como pode ser h situaes em que, dadas algumas caractersticas amostrais,
observado pelo valor do RMR, que igual a 1,68, o que possvel fazer uso da MEE sem amostras de nmero elevado
indica que h elementos a serem aprimorados no presente de componentes. O que relevante nesse contexto a ten-
modelo de AFC. No so observados ndices de modicao tativa do pesquisador em buscar solues para as limitaes
na presente anlise. da tcnica para que seu uso possa ser aplicado na busca de
avanos nas diversas reas do saber.
Limitaes no Uso da MEE
Concluses e Perspectivas Futuras da MEE
A MEE uma tcnica que traz vrias possibilidades para
o desenvolvimento terico e metodolgico em um campo do A MEE traz grandes e importantes possibilidades para
saber, como a Psicologia. Mas como qualquer tcnica, ela no o desenvolvimento terico da Psicologia e de outras reas
capaz de abarcar a especicidade de todo e qualquer tipo de do conhecimento. Atualmente, o debate no campo da MEE
fenmeno e, portanto, possui limitaes em seu uso. segue em ritmo acelerado, com o desenvolvimento de novos
A primeira questo que deve ser pontuada que a MEE modelos de anlise adequados para a resoluo de questes
e seus modelos mais difundidos fazem parte da famlia de empricas recorrentes em diferentes campos do conheci-
tcnicas multivariadas pertencentes ao modelo linear geral. mento.
Desta feita, ela no adequada e nem capaz de avaliar rela- Uma dessas aplicaes est relacionada aos fenmenos
es entre variveis que no possuam um padro linear de multinvel. A teoria multinvel de compreenso de fenmenos
relacionamento. Nesse caso, o pesquisador deve lanar mo e modelagem de dados est interessada no desenvolvimento
de alternativas que possam lidar com esse tipo de situao. de estratgias para a produo de conhecimento em diferentes
A evoluo natural dos modelos matemticos da MEE deve campos, como a teoria de comportamento organizacional
passar pelo desenvolvimento de tcnicas e procedimentos (e.g. Kozlowski & Klein, 2000) e a avaliao educacional
no-lineares, visando dar resposta para esse tipo de situao. (e.g. Willms, 1999). Essa perspectiva de modelagem terica
H notcias de que alguns programas especcos de MEE e de processo de anlise de dados j est presente h certo
esto implementando resolues de anlise desse tipo. Uma tempo nas discusses da literatura de MEE. Kaplan (2000)

214 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216
Modelos de Equaes Estruturais em Psicologia

apresenta o modelo geral da MEE multinvel, com a aplicao anlise de dados e computadores mais ecientes no processa-
dos devidos elementos de modelos hierrquicos aninhados mento de grandes conjuntos de informaes devem ser apro-
para a matemtica linear da MEE. Esse desenvolvimento do veitada em toda sua potencialidade, para que a capilarizao
modelo da MEE de extrema relevncia para o avano no de mtodos e tcnicas de produo de conhecimento sejam
campo, de forma a possibilitar o teste de modelos multin- cada vez mais difundidos na cincia brasileira, propiciando
vel de fenmenos em diferentes contextos, permitindo uma a produo slida e continuada de conhecimento sobre a
modelagem terico-emprica que considere a complexidade realidade social e humana de nosso pas.
de muitos fenmenos humanos e sociais.
Uma segunda perspectiva de desenvolvimento da MEE Referncias
est relacionada associao da MEE com a psicometria
moderna, a teoria de resposta ao item (TRI). H uma grande Anastasi, A. & Urbina, S. (2000). Testagem psicolgica. Porto
semelhana de concepes da MEE e da TRI, pois as duas Alegre: Artmed.
partem do princpio de traos latentes. A concatenao das Arbuckle, J. L. & Worthke, W. (1999). AMOS 4.0 users guide.
duas tcnicas de grande importncia para o desenvolvi- Chicago: SmallWaters.
mento de ambas, medida que permitem agregao mtua. Bollen, K. A. (1989). Structural equations with latent variables.
A TRI trabalha com o desenvolvimento de instrumentos New York: John Wiley and Sons.
mais adequados aos princpios de medio das habilidades Boomsma, A. (2000). Reporting analyses of covariance structures.
e caractersticas latentes humanas, enquanto a MEE neces- Structural Equation Modeling, 7(3), 461-483.
sita de instrumentos realmente ecazes para a mensurao Bullock, H. E., Harlow, L. L. & Mulaik, S. A. (1994). Causation
de fenmenos latentes. A partir da construo de bancos de issues in structural equation modeling research. Structural
itens para a elaborao de instrumentos mais adequados, a Equation Modeling, 1(3), 253-267.
MEE pode aprimorar seus modelos de mensurao, o que Byrne, B. (2001). Structural equation modeling with Amos:
beneciaria o desenvolvimento de modelos tericos relevan- Basic concepts, applications and programming. New Jersey:
tes e ecientes para a descrio e explicao de fenmenos Lawrence Erlbaum Associates.
humanos e sociais. J podem ser observados na literatura Foguet, J. M. B. & Gallart, G. C. (2001). Modelos de ecuaciones
trabalhos (e.g.: Raju, Latte & Byrne, 2002; Reise, Wida- estructurales. Madrid: La Muralla.
man & Pugh, 1993) que buscam coadunar as duas tcnicas Frederico, E. & Robic, A. R. (2005). Determinantes da continuidade
de anlise de dados e desenvolvimento de instrumentos, o do relacionamento entre varejistas de moda e seus fornecedores:
que pode trazer notveis benefcios para o desenvolvimento Uma comparao entre a utilizao de modelos estruturais e
terico das diversas reas do saber. anlise multivariada convencional [Trabalho completo]. Em
Como toda tcnica no muito difundida na comunidade ANDAP (Org.), Anais do XXIX ENANPAD (pp. 1-16). Braslia:
cientca, a MEE tambm merece ateno de pesquisadores ANPAD.
para que problemas encontrados em decorrncia do processo Gouveia, V. V., Martnez, E., Meira, M. & Milfont, T. L. (2001). A
do desenvolvimento da pesquisa e anlise dos dados possam estrutura e contedo universais dos valores humanos: anlise
ser evitados. O emprego da terminologia adequada para os fatorial conrmatria da tipologia de Schwartz. Estudos de
achados resultantes de anlises de MEE, bem como a clareza Psicologia, 6(2), 133-142.
sobre limitaes e caractersticas das possveis concluses, Hair, J. F., Anderson, R. E., Tatham, R. L. & Black, W. C. (2005).
de extrema importncia para o bom andamento da produo Anlise multivariada de dados. Porto Alegre: Artmed.
cientca. Em especial, aqueles mais novos no processo Hancock, G. R. & Freeman, M. J. (2001). Power and sample size for
de produo de conhecimento, ou aqueles que se encontram the root mean square error of approximation test of not close t
no processo de formao como pesquisadores, podem ser in structural equation modeling. Educational and Psychological
contaminados pelo uso de conceitos sedutores no seio da Measurement, 61(5), 741-758.
MEE. Vrios desses conceitos foram discutidos ao longo Hox, J. J. & Bechger, T. M. (1998). An introduction to structural
deste artigo, como da questo conrmatria de anlise de equation modeling. Family Science Review, 11, 354-373.
dados e do estabelecimento de relaes causais. Para o bom Kaplan, D. (2000). Structural Equation Modeling: foundations and
andamento da atividade cientca fundamental que poten- extensions. Sage: Thousand Oaks.
cialidades e limitaes de tcnicas de anlise de dados sejam Klem, L. (2002). Structural equation modeling. Em L. G. Grimm
largamente e amplamente discutidas nos veculos de divulga- & P. R. Yarnold (Orgs.), Reading and understanding more
o cientca, propiciando que um debate sbrio e eciente multivariate statistics (pp. 227-260). Washington: American
seja realizado para auxiliar na produo do conhecimento Psychological Association.
em diferentes reas do saber. Cabe ao pesquisador usurio Kline, R. B. (1998). Principles and practice of structural equation
da MEE tomar os devidos cuidados no processo de redao modeling. New York: Guilford Press.
de relatos cientcos que fazem uso da tcnica, para que o Kozlowski, S. W. J. & Klein, K. J. (2000). A multilevel approach
desenvolvimento terico da decorrente no seja prejudicado to theory and research in organizations: contextual, temporal
pelo mal uso de conceitos relativos MEE. and emergent processes. Em K. J. Klein & S. W. J. Kozlowski
Tem-se como perspectiva que este trabalho seja um insti- (Orgs.), Multilevel theory, research and methods in organizations
gador dos pesquisadores para que busquem a diversicao (pp. 3-90). San Francisco: Jossey-Bass.
de suas tcnicas de anlise de dados, mas que o faam com Laros, J. A. (2005). O uso de anlise fatorial: algumas diretrizes
cuidado e zelo pelos aspectos tericos e conceituais relativos para pesquisadores. Em L. Pasquali (Org.), Anlise fatorial para
ao uso de tais tcnicas. A grande profuso de programas de pesquisadores (pp. 163-184). Braslia: LabPAM.

Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216 215
R. Pilati1 e J. A. Laros

Little, R. J. A. & Rubin, D. B. (1987). Statistical analysis with Reise, S. P., Widaman, K. F. & Pugh, R. H. (1993). Conrmatory
missing data. New York: Lawrence Erlbaum. factor analysis and item response theory: Two approaches for
MacCallum, R. C., Browne, M. W. & Sugawara, H. M. (1996). exploring measurement invariance. Psychological Bulletin,
Power analysis and determination of simple size for covariance 114(3), 552-566.
structure modeling. Psychological Methods, 1, 130-149. Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002). Experimental
Mardia, K. V. (1971). The effect of nonnormality on some and quasi-experimental design for generalized causal inference.
multivariate tests and robustness to nonnormality in the linear Boston: Houghton Mifin Company.
model. Biometrika, 58 (1), 105-121. Tabachnick, B. G. & Fidell, L. S. (2007). Using multivariate
McDonald, R. P. & Ho, M. R. (2002). Principles and practice in statistics (5 ed.). Boston: Pearson Education.
reporting structural equation analyses. Psychological Methods, Thompson, B. (2002). Ten commandments of structural equation
7(1), 64-82. modeling. Em L. G. Grimm & P. R. Yarnold (Orgs.), Reading
Medeiros, C. A. F., Albuquerque, L. G. & Marques, G. M. (2005). and understanding more multivariate statistics (pp. 261-283).
Comprometimento organizacional: Um estudo de suas relaes Washington: American Psychological Association.
com caractersticas organizacionais e desempenho de empresas Thompson, B. (2004). Exploratory and confirmatory factor
hoteleiras [Trabalho completo]. Em ANDAP (Org.), Anais do analysis: understanding concepts and applications. Washington:
XXIX ENANPAD (pp. 1-16). Braslia: ANPAD. American Psychological Association.
Nunnally, J. C. & Bernstein, I. H. (1994). Psychometric Theory (3a Ullman, J. B. (2007). Structural Equation Modeling. Em B. G.
ed.). NewYork: McGraw-Hill. Tabachnick & L. S. Fidell (Orgs.), Using multivariate statistics
Osborne, J. (2002). Notes on the use of data transformations. (5 ed.). Boston: Pearson Education.
Practical Assessment, Research & Evaluation [On-Line], Willms, J. D. (1999). Basic concepts in hierarchical linear modeling
8(6). Retirado em 25/04/2003 do http:// ericae.net/pare/getvn. with applications for policy analysis. Handbook of Educational
asp?v=8&n=6. Policy. New York: Academic Press.
Pasquali, L. (2003). Psicometria. So Paulo: Vozes.
Pilati, R. & Abbad, G. (2005). Anlise fatorial conrmatria da
escala de impacto do treinamento no trabalho. Psicologia:
Teoria e Pesquisa, 21(1), 43-51.
Popper, K. (1972). A lgica da pesquisa cientca. So Paulo:
Cultrix.
Raju, N. S., Laftte, L. J. & Byrne, B. M. (2002). Measurement Recebido em 14.12.2006
equivalence: A comparison of methods based on conrmatory 3ULPHLUDGHFLVmRHGLWRULDOHP
factor analysis and item response theory. Journal of Applied 9HUVmRQDOHP
Psychology, 87(3), 517-529. Aceito em 12.12.2006

VI CONGRESSO BRASILEIRO DE PSICOLOGIA DO


DESENVOLVIMENTO
Tema: Psicologia do Desenvolvimento e suas Interfaces
com a Educao e a Sade

Local: Vitria - ES
Perodo: 06 a 09 de setembro de 2007

Realizao:
Universidade Federal do Esprito Santo
Programa de Ps-graduao em Psicologia

Informaes e inscrio:
www.sbpd.org.br

216 Psic.: Teor. e Pesq., Braslia, Abr-Jun 2007, Vol. 23 n. 2, pp. 205-216