Considerações iniciais

De acordo com Hair et al. (2010), a análise de equações estruturais é uma família de modelos estatísticos que procuram explicar o relacionamento entre múltiplas variáveis, examinando a estrutura das inter-relações expressas através de um conjunto de equações, semelhantes a um conjunto de equações de regressão. Algumas das variáveis

24 _{Na sua essência, a análise dos itens é uma análise bivariada. Optou-se pela sua inclusão numa secção que} deveria ser inteiramente dedicada a técnicas multivariadas, devido à sua complementaridade com o alfa de Cronbach na avaliação clássica da fiabilidade.

147 envolvidas nos modelos de equações estruturais podem ser latentes, como é o caso dos constructos envolvidos no modelo de investigação construído neste estudo. Um constructo é um conceito não observável ou latente, que pode ser definido conceptualmente, mas não pode ser medido directamente ou sem erro. Como tal, cada constructo é operacionalizado através de um conjunto de variáveis manifestas, que correspondem aos indicadores de medida ou itens das escalas, os quais podem ser medidos directamente.

Os modelos de equações estruturais são constituídos, de acordo com Bollen (1989), Byrne (1998), Hair et al. (2010), Jöreskog e Sörbom (1996) e Salgueiro (2008), por duas componentes distintas:

 Modelo de medida, que especifica os indicadores de medida de cada constructo;

 Modelo estrutural, que é constituído pelas relações de dependência entre as variáveis previstas no modelo de investigação.

As vantagens da utilização dos modelos de equações estruturais são, segundo Hair et al. (2010), a possibilidade de inclusão de variáveis latentes e de variáveis manifestas, para além da análise simultânea de um conjunto de inter-relações entre as variáveis, o que torna esta abordagem particularmente valiosa sempre que determinada variável dependente numa relação se torna independente em relações subsequentes. Por outro lado, Mackenzie (2001) destaca as seguintes vantagens sobre outras técnicas estatísticas:

 A possibilidade de considerar o erro de medida;

 A possibilidade de melhorar as investigações experimentais, dado que as equações estruturais são uma generalização da análise de regressão e da análise factorial, incorporando a maioria dos métodos de modelação linear;

 A possibilidade de realizar comparações entre modelos teóricos complexos, que envolvem um sistema global de relações conceptuais;

 A possibilidade de contribuir para a construção de escalas de medida, em virtude da possibilidade de avaliar de forma mais rigorosa as suas propriedades psicométricas.

Considerando, por um lado, as vantagens acima apresentadas e, por outro lado, a complexidade do modelo em estudo, envolvendo oito constructos, trinta e três indicadores de medida e dezasseis hipóteses, os modelos de equações estruturais foram

148

escolhidos como a técnica estatística mais adequada para testar o modelo de investigação proposto neste estudo.

Existem vários softwares disponíveis no mercado com as funcionalidades necessárias à aplicação dos modelos de equações estruturais, como sejam o AMOS, o EQS, o LISREL e o MPLUS. Destes, o LISREL, desenvolvido por Jöreskog e Sörbom, tem conhecido grande protagonismo na literatura, sendo o grande responsável pela difusão desta técnica no âmbito das ciências sociais. Apesar de a notação matricial que utiliza ser complexa, foi este o software escolhido para o presente estudo, porque, segundo Byrne (1998) e Jöreskog e Sörbom (1996), permite tratar as variáveis como ordinais na estimação da matriz de correlações (correlações policóricas), o que faz todo o sentido neste trabalho, que inclui no seu instrumento de medida escalas de Likert.

O método de estimação utilizado foi o da máxima verosimilhança robusto (robust maximum likelihood). O estimador da máxima verosimilhança é, segundo Hair et al. (2010) e Salgueiro (2008), consistente, assimptoticamente não enviesado, assimptoticamente eficiente, a sua distribuição aproxima-se da normal quando a dimensão da amostra tende para infinito e é imune a diferentes unidades de medida das variáveis manifestas e a alterações das unidades de medida, contudo, apresenta como pressuposto que as variáveis tenham uma distribuição conjunta normal multivariada. Para ultrapassar este pressuposto, que frequentemente não é verificado, como é o caso do presente estudo, foi desenvolvido por Satorra e Bentler o estimador da máxima verosimilhança robusto25. A aplicação deste método consiste na estimação através do método da máxima verosimilhança, sendo os erros padrão, os valores t e a estatística do χ2

corrigidos da não normalidade das variáveis (Salgueiro, 2008).

Foi adoptada uma estratégia de modelização em duas etapas, seguindo as indicações de Anderson e Gerbing (1988), Hair et al. (2010), Kline (1998) e Schumacker e Lomax (1996), que consiste na estimação de forma separada e na análise sequencial do modelo de medida e do modelo estrutural. Numa primeira fase, é estimado o modelo de medida, voltando-se a atenção do investigador para a forma como as variáveis manifestas se relacionam com as respectivas variáveis latentes. Obtido um modelo de medida

25

Foi ponderada a utilização do método de estimação WLS (generally weightd least squares), o qual também é recomendado para situações de violação do pressuposto da normalidade multivariada. Contudo, devido ao elevado número de variáveis incluídas no modelo, não foi possível a inversão da matriz de pesos, tornando inviável a sua utilização.

149 considerado satisfatório, é estimado, numa segunda fase, o modelo estrutural, devendo o investigador avaliar as relações de dependência estabelecidas entre as variáveis do modelo. Esta abordagem é muito pertinente porque não faz sentido testar um modelo estrutural com escalas de medida que não são válidas, sob pena de estarmos a trabalhar com constructos dos quais desconhecemos o verdadeiro significado. Só depois de validado o modelo de medida é que deveremos avançar para a estimação e avaliação do modelo estrutural.