Universidade São Francisco

Programa de Pós-Graduação Stricto Sensu em

Psicologia
Disciplina de Psicometria

Path analysis e SEM

Prof. Dr. Nelson Hauck Filho
Aula de hoje
1. Path analysis.
2. SEM.

Capítulo 3
Regressão linear múltipla × regressão multivariada

X1 Y1
X1 Y1
Regressão linear simples

X2 Y2
X1

X3 Y3
X2 Y1
Regressão multivariada

X3

Regressão linear múltipla

Regressão multivariada
Y = XB + E (1)
• Y = matriz com n sujeitos e q variáveis dependentes, n × q
• X = matriz desenho com n sujeitos e m variáveis independentes mais um vetor com unidades
para os interceptos, n × (m + 1)
• B = matriz de coeficientes de regressão e interceptos, (m + 1) × q
• E = matriz de erros com n sujeitos e q variáveis dependentes (n × q)

Y1 X1 X2 B0 E
i1 1 i1 2 2 1 Y1 i1 ?
i2 3 = i2 3 4 1 × BX1 1,15 + i2 ?
i3 5 i3 5 3 1 BX2 0,10 i3 ?
i4 4 i4 4 7 1 B0 −1,21 i4 ?
i5 6 i5 6 5 1 i5 ?
ŷ = 1.15122X1 + 0.09756X2 - 1.21463
Mediação × moderação
Z

X Y

X Y

X Y
Modelo com efeito indireto

X*Z

Modelo com efeito de interação

Mediação × moderação
Modelos de equações estruturais ζη
2

η1 z η1 η2

y1 y2 y3 ζz y1 y2 y3 y4 y5 y6

ε1 ε2 ε3 ε1 ε2 ε3 ε4 ε5 ε6
Modelos de equações estruturais
y = ν + Λη + ε (2)
η = α + Βη + ζ (3)

• y = vetor de respostas nas m variáveis observadas

• ν = vetor de m interceptos
• η = vetor de escores fatoriais nos p fatores η
• ε = vetor de m resíduos
• Λ = matriz de cargas fatoriais m × p
• α = vetor de p interceptos para os fatores
• Β = matriz de coeficientes de regressão p × p
• ζ = vetor de p resíduos dos fatores