Análise de Equações

Estruturais

COMO AVALIAR O NÃO

OBSERVÁVEL?

João Marôco, Ph.D.

jpmaroco@ispa.pt
Sumário

1. O que é a Análise de Equações Estruturais?

2. Porque usar AEE?
3. O Modelo de Medida
4. O Modelo Estrutural
5. Ajustar o Modelo
6. Qualidade de Ajustamento
7. Um estudo de caso…
 Análise de Equações Estruturais (Structural Equation Modelling):

O que é a Análise
• Extensão dos modelos GLM;
de Equações • Técnica de modelação generalizada (modelos teóricos sobre a forma como
Estruturais? diferentes variáveis latentes ou constructos são operacionalizados e como
estes estão relacionados entre si)
• Permitem considerar erros de medida de forma explicita

Em termos simplistas:
AEE

=
Análise Factorial (define modelo de medida)

+
Regressão linear (define modelo estrutural).
 Análise de Equações Estruturais (Structural Equation Modelling):

O que é a Análise
de Equações Porém, o racional das AEE é diferente do racional da Estatística clássica:

Estruturais?
Estatística Clássica (Exploratória) AEE (Confirmatória)

Teoria

Dados Teoria
Teoria Dados Teoria

Teoria

1. Qual modelo descreve os dados observados? 1. Poderá este modelo explicar/gerar os

Método Exploratório dados observados? Método Confirmatório
2. Dados levam à dedução de Teorias 2. A teoria é o “motor” do processo
3. Novos dados, novas teorias 3. Teorias diferentes podem ser testadas por
formalização e avaliação de modelos
distintos
Porque usar
AEE? Luke, D. A. (2005) Getting the Big Picture in Community
Science: Methods That Capture Context. American
Journal of Community Science. 35(3/4): 185-200

Nº de publicações com AEE

5000

4000

3000

2000

1000

0
Marôco, J. (2021) Análise de Equações Estruturais: Fundamentos

1990
1992
1994
1996

2000
2002

2006

2012

2018
1998

2004

2008
2010

2014
2016

2020
teóricos, Software & Aplicações. 3.ª Edição. ReportNumber.
Pêro Pinheiro.
Ano
 1. Nem todas as variáveis envolvidas num determinado ‘acontecimento’ são
manifestas, i.e. observáveis ou manipuláveis diretamente.
Porque usar • Variáveis Latentes: Não são diretamente mensuráveis. Só se observam as suas
AEE? manifestações;
• Validade e fiabilidade de variáveis latentes (erros-nas-variáveis) limita conclusões
sobre relações estruturais
• Métodos clássicos de análise não consideram os ‘erros-nas-variáveis’.
2. Acréscimo da complexidade dos modelos teóricos capazes de explicar um
determinado acontecimento
• Múltiplas variáveis manifestas e variáveis latentes;
• Diferenças entre grupos e efeitos hierárquicos, de interação, mediação, etc…
• AEE permite testar ajustamento global de modelos e significância individual de
parâmetros num enquadramento teórico que engloba vários tipos de modelos
lineares.
3. Software para AEE de fácil utilização:
• <1993: LisRel exigia o domínio de uma linguagem de programação própria assente
em notação matricial e no alfabeto grego.
• AMOS, EQS, LisREL, mPlus: Ambiente Windows; especificação visual do modelo
 Depressão, Ansiedade, Stress,…
E como medir
Sentimento de Comunidade, Pertença,…
variáveis não
Satisfação, Qualidade de Serviço, Lealdade
observáveis?
 Como operacionalizar a medida de variáveis latentes

E como medir
variáveis não
observáveis?
Operacionalização
Conceito Indicador
(Scaling)

Abstracção Regras que ligam o Observação

Qualitativa Conceito ao indicador Quantitativa ou semi-quantitativa

Exemplo:
Exemplo: Exemplo: O meu trabalho deixa-me
Burnout Escala com itens ordinais emocionalmente exausto com
cujas somas parcelares muita frequência /com alguma
definem 3 dimensões de frequência / raramente
Burnout
 MODELO DE MEDIDA
A formulação matemática é complexa, mas o principio é simples:
E como medir
As correlações observadas entre itens ou variáveis manifestas são devidas
variáveis não a uma causa ou factor comum latente (não directamente mensurável).
observáveis?
l 11 x
d1 x1 Comum
Factor
(f)
lx21
d2 x2 x1
lx31

d3 X1 x3
RX X
1 2 X2
 MODELO DE MEDIDA
A formulação matemática é complexa, mas o principio é simples:
E como medir
As correlações observadas entre itens ou variáveis manifestas são devidas
variáveis não a uma causa ou factor comum latente (não directamente mensurável).
observáveis?
e1 Febre
lx11
d1 x1
e2 Dores Musculares
lx21
Gripe
e3d2 Dores Garganta
x2 x1
lx31

e4 Nariz congestionado
d3 x3

e5 Cansaço
 MODELO ESTRUTURAL
Relações hipoteticamente causais entre variáveis…
E como
relacionar
g11
variáveis x1
h1
latentes? g21
z1
b21
f12
z2
g12

h2
x2
g22
 O Modelo teórico proposto consegue explicar as associações entre as
variáveis manifestas e latentes?
Ajustar o Modelo
O Modelo consegue explicar a matriz de Variância-Covariância das
variáveis manifestas (DADOS) observadas?

Covariâncias
estimadas
S(q)

Modelo Erros=
S-S(q)

Covariâncias
observadas
S
 Minimizar a função dos “Erros”

Ajustar o Modelo

Mas mesmo o modelo mais simples:

z
1 1 1
d1 x1 l1 1 y1 e1
g
x h
1 1
l2
d2 x2 1 y2 e2
 Mas mesmo o modelo mais simples

Ajustar o Modelo z
1 1 1
d1 x1 l1 1 y1 e1
g
x h
1 1
l2
d2 x2 1 y2 e2
 Mas mesmo o modelo mais simples

Ajustar o Modelo z
1 1 1
d1 x1 l1 1 y1 e1
g
x h
1 1
l2
d2 x2 1 y2 e2

… sistema de 10 equações com 9 incógnitas!

Solução:
algoritmo iterativo que minimiza a ‘função de discrepância’:
 Várias funções para f. As mais comuns são a ML e a WLSMV (ADF)
(para dados contínuos)
Ajustar o Modelo

Para itens ordinais, baseados na matriz de correlação policórica (WLSMV

e DWLS):
 Associação linear entre as duas variáveis latentes, que se assumem com
distribuição normal bivariada, subjacentes às duas variáveis qualitativas
Correlação manifestas.
Policórica (rPC)

x2 x11 x12 x13 x14 rPC

x2
Máximo
f(x)

1 2 3 4 5
x21
x22
x 1 x 2 x3 x4 x23
x24

Reduzido
3
2 4
x1
1 5
x
Reduzido Máximo x Reduzido Máximo
1 2 3 4 5 x1
 1. TESTE AO AJUSTAMENTO DO MODELO

Qualidade de
A. Hipóteses
Ajustamento
H0: S=S(q) (a matriz de covariância populacional é igual à matriz de covariância
estimada pelo modelo) vs.

H1: SS(q)
B. E.T.
p +q – nº variáveis manifestas no modelo
t - nº parâmetros estimados

C. Decisão
Rejeitar H0 se p-value ≤ a
 2. INDICES (EMPÍRICOS) DE AJUSTAMENTO
Avaliam em termos relativos (0-1) o quão afastado o “nosso” modelo está do pior ou
Qualidade de melhor modelo possivel.
Ajustamento
Comparative Fit Index (CFI)
Compara o ajustamento do modelo em estudo com o do modelo basal ou modelo de
independência:
CFI= 1- max(X2-gl,0)/max(X2b-glb,0)

Tucker-Lewis Index (TLI)

Compara o ajustamento do modelo em função do c2 normalizado pelos g.l. em
estudo com o do modelo basal ou modelo de independência:
TLI= 1-(X2/gl)/(X2b/glb)

CFI & TLI > 0.9 – Ajustamento Bom

> 0.95 - Ajustamento excelente

(Marôco, 2021. Análise de Equações Estruturais. 3.ª Edição. ReportNumber: Pero Pinheiro)
 2. INDICES (EMPÍRICOS) DE AJUSTAMENTO
Avaliam em termos relativos (0-1) o quão afastado o “nosso” modelo está do pior ou
Qualidade de melhor modelo possivel.
Ajustamento
Root Mean Square Residual (RMSR)
Média dos resíduos:

Root Mean square Error of Aproximation (RMSEA)

Diferença média entre as covariâncias observadas e as estimadas pelo modelo

F0=max[(X2 - gl)/n, 0]=NCP/n

Pode calcular-se I.C. e testar
H0: rmsea ≤ 0.05 vs. H1: rmsea > 0.05

SRMR & RMSEA < 0.08 – Ajustamento aceitável

RMSEA < 0.05 – Ajustamento Bom
 Qualidade de Serviço, Satisfação e Lealdade à marca no Sector Hoteleiro

Estudo de Caso

Maroco, A. L., & Maroco, J. (2011). QdSH: uma nova escala para a avaliação
da qualidade de serviço do sector hoteleiro português. Revista Turismo &
Desenvolvimento, (15), 71-85. https://doi.org/10.34624/rtd.v0i15.13443

Maroco, A. L., & Maroco, J. (2013). Service quality, customer satisfaction and
loyalty. European Journal of Tourism, Hospitality and Recreation, 4(3), 118-145.
 Código de R-Lavaan:

Estudo de Caso SATHOT = '

# Modelo de medida 1a ordem
Pessoal =~ EP1 + EP2 + EP4 + EP6
Receção =~ SR1 + SR3 + SR5
BarRest =~ BR1 + BR3 + BR6 + BR7
Segurança =~ S1 + S3 + S4
Alojamento =~ Q1 + Q4 + Q5 + Q7
Satisfação =~ SAT1 + SAT2 + SAT4
Lealdade =~ SAT6 + SAT7
# Fator de 2a ordem
QualServ =~ Pessoal + Receção + BarRest + Segurança + Alojamento
# Modelo de Mediação
Satisfação ~ a*QualServ
Lealdade ~ b*Satisfação
Lealdade ~ c*QualServ
# Efeito Mediação (a*b)
ab := a*b
# Efeito direto
direto := c
# Efeito total
total := c + ab
'
 Código de R-Lavaan:

Estudo de Caso Library(lavaan)

# Ajustamento do modelo
fit.SATHOT = sem(SATHOT, data=BDSatisf)
# Sumário do Modelo
summary(fit.SATHOT, fit.measures=TRUE, standardized=TRUE)
 Qualidade de Serviço, Satisfação e Lealdade à marca no Sector Hoteleiro

Estudo de Caso
 Para um maior aprofundamento:

Obrigado pela
atenção!

www.reportnumber.pt/aee