Estágio 4 – Estimação do Modelo de Caminhos PLS

O Estágio 4 do modelo de equações estruturais com mínimos quadrados parciais, diz respeito à estimação do modelo e o algoritmo de PLS-SEM. Assim, o algoritmo do modelo inicia com o reconhecimento das inter-relações provenientes das variáveis (latentes e observáveis), com a especificação do modelo estrutural (Estágio 1) e do modelo de mensuração (Estágio 2), considerando os elementos conhecidos para estimar os desconhecidos sendo que para esta tarefa o algoritmo precisa determinar os escores das variáveis latentes que são as entradas para os modelos de regressão parcial dentro do modelo de caminhos tendo como resultado as estimativas para todas relações, os modelos de mensuração (carga e peso) e o modelo estrutural (coeficientes de caminho) conforme orientam Hair Jr. et al. (2017).

Conforme os autores, após o cálculo das pontuações dos construtos estas são usadas para estimar cada modelo de regressão parcial de caminho sendo que a configuração do modelo de regressão parcial depende se a construção é modelada como formativa ou reflexiva. No caso da presente pesquisa utilizou-se a construção reflexiva, então, as cargas são estimadas através de regressão simples de cada variável observável com seu construto correspondente. Para os cálculos do modelo estrutural as regressões parciais especificam os construtos como variáveis latentes dependentes tendo como variáveis independentes os construtos usados para estimar os coeficiente do caminho havendo, assim, um modelo de regressão parcial para estimar todos os coeficientes do caminho no modelo estrutural.

Os modelos de regressão parcial são estimados por procedimentos iterativos do algoritmo PLS-SEM que inclui duas fases: na primeira as pontuações dos construtos são estimadas, na segunda são calculados os pesos e cargas como, também, os coeficientes do modelo de caminhos do modelo estrutural e os valores de R2 _{resultantes das variáveis latentes}

endógenas. Identificando-se o coeficiente de determinação R2 como uma medida de ajustamento de um modelo estatístico linear generalizado em relação aos valores observados, variando de 0 e 1, indicando o quanto o modelo consegue explicar os valores observados (HAIR Jr. et al., 2005).

A estimação PLS para um modelo de caminho deve definir as opções algorítmicas e configurações de parâmetros que incluem selecionar o método de ponderação do modelo estrutural, os valores iniciais para começar o PLS-SEM, o critério de parada e o número máximo de iterações. De acordo com Hair Jr. et al. (2017) o PLS-SEM permite ao usuário aplicar três esquemas de ponderação do modelo estrutural: (1) esquema ponderação com base no centróide (centroid), (2) esquema de ponderação com base no fator (factor) e (3) esquema de ponderação com base nos caminhos (path) sendo este último o método pré-definido no Smart PLS® _{3.0 e recomendado pelos autores, pois, fornece o mais alto valor de R}2 _{para os}

construtos endógenos e é geralmente aplicável para todos os tipos de especificações de modelo de caminhos PLS e estimativas.

O algoritmo de PLS-SEM estrutura escores padronizados para os construtos, assim, utiliza dados padronizados para os indicadores, mais especificamente z-padronização onde cada indicador tem uma média de 0 e a variância é 1 como entrada para execução do algoritmo. Ao se executar o PLS-SEM o software padroniza os dados brutos dos indicadores e os escores das variáveis latentes resultando em coeficientes padronizados entre -1 e 1 para cada relação do modelo estrutural e do modelo de mensuração sendo que os coeficiente próximos de +1 ou -1 revelam relações fortes (positivas ou negativas) e quanto mais perto de 0 os coeficientes identificam-se relações mais fracas, sendo que valores próximos de zero geralmente não são relações estatisticamente significativas (HAIR Jr. et al., 2017).

As relações do modelo de mensuração exigem valores iniciais para começar o algoritmo PLS-SEM, sendo que pesos iguais refletem-se como boa escolha para a inicialização do algoritmo especificando-se o valor de +1 para todos os relacionamentos na primeira iteração e nas subsequentes do algoritmo, os valores iniciais são substituídos pelos coeficientes de caminho para as relações do modelo de mensuração.

Por fim, a configuração dos parâmetros exige a definição do critério de parada do algoritmo, visto que o algoritmo do PLS-SEM é projetado para funcionar até a estabilização dos resultados, ou seja, quando a soma das mudanças nos pesos exteriores entre duas iterações é suficientemente baixa, recomendando-se um valor limite de 1·10 -7 (critério de paragem) no sentido de garantir que o algoritmo venha a convergir em baixos níveis de alterações iterativas nas pontuações das variáveis latentes. Considerando que o critério de paragem definido seja eficiente, Hair Jr. et al. (2017) orientam que um número de 300 iterações deve ser suficiente para a convergência obtida com o critério de parada 1·10 e-7 (ou seja 0,0000001).

A configuração dos parâmetros para este trabalho inclusas no Smart PLS® 3 é apresentada no Quadro 33.

Quadro 33 – Configuração dos parâmetros do software Smart PLS® v. 3.0 para o modelo AWS-MBIGS

Comando Check List

Ficheiro de dados configurações

Ficheiro de dados Questionario_Geral [558 registos]

Indicador de valores em falta nenhum

Configuração de dados configurações

Algoritmo para lidar com dados em falta Nenhum

Vetor de ponderação -

Algoritmo PLS configurações

Critério de finalização 7

Esquema de ponderação Caminho

Métrica dos dados Média 0, variância 1

Número máximo de iterações 300

Pesos iniciais 1.0

Usar as configurações de Lohmoeller? Não

Modo de ponderação externa de constructos

Carga deTrabalho Automático

Controle Automático Recompensa Automático Comunidade Automático Justiça Automático Valores Automático Exaustão Automático Cinismo Automático

Eficácia Profissional Automático

Fonte: Software Smart PLS® _{v. 3.0 (RINGLE; WENDE; BECKER, 2015)}

As configurações do ficheiro de dados, conforme Quadro 33, indicam o arquivo que contém as observações com a indicação de 558 (quinhentos e cinquenta e oito registros) e a informação de que não há dados em falta. O algoritmo do Smart PLS® foi configurado com critério de finalização 7, sendo que o algoritmo PLS pára quando a mudança dos pesos exteriores entre duas iterações consecutivas é menor do que o valor do critério de paragem (ou é atingido o número máximo de iterações). A ponderação com base no caminho foi o sistema parametrizado, pois, proporciona um valor de R² mais elevado para construtos endógenos. O número de iterações foi definido como 300, representando o número máximo de iterações que será usado para calcular os resultados PLS. Os pesos iniciais para os indicadores externos foram definidos como 1.0, não indicando dominância de um ou alguns indicadores sobre os demais.

Após a definição dos parâmetros do sistema, calcula-se o algoritmo PLS apresentando- se na Figura 10 o modelo de caminhos Areas of Worklife Scale – AWS e Maslach Burnout Inventory General Survey – MBI-GS proposta do presente estudo.

Figura 10 - Modelo de caminhos Areas of Worklife Scale – AWS e Maslach Burnout Inventory General Survey – MBI-GS (AWS-MBIGS)

O modelo de caminhos Areas of Worklife Scale – AWS e Maslach Burnout Inventory General Survey – MBI-GS (AWS-MBIGS) apresentado na Figura 10 fornece os resultados das cargas fatoriais entre os indicadores e os construtos (modelo de mensuração) e os coeficientes estruturais entre os construtos (modelo estrutural). Estão apresentados nos construtos os valores do coeficiente de determinação R2 _{que mede a proporção da variância dos construtos}

endógenos explicada pelos construtos preditores. Tais medidas permitem a comparação dos modelos estruturais e de mensuração teoricamente estabelecidos com a realidade, conforme representado pelos dados da amostra, ou seja, pode-se determinar quão bem os dados se encaixam na teoria (HAIR Jr. et al., 2017).

Inicialmente faz-se importante identificar se o algoritmo PLS convergiu, ou seja, se o critério de parada do algoritmo foi atingido e não o máximo de iterações indicando que foi encontrada uma solução estável (HAIR Jr. et al., 2017). Assim, na Tabela 41 pode-se verificar que para o presente projeto o algoritmo convergiu atingindo-se resultados estáveis em sete iterações.

Tabela 41 – Critério de parada do algoritmo para o modelo AWS-MBIGS

(continua...) Var. Iteração 0 Iteração 1 Iteração 2 Iteração 3 Iteração 4 Iteração 5 Iteração 6 Iteração 7 Carg1i 0,277 0,294 0,294 0,294 0,294 0,294 0,294 0,294 Carg2i 0,277 0,251 0,252 0,252 0,252 0,252 0,252 0,252 Carg3i 0,277 0,341 0,342 0,342 0,342 0,342 0,342 0,342 Carg4 0,277 0,297 0,296 0,296 0,296 0,296 0,296 0,296 Carg5 0,277 0,151 0,149 0,149 0,149 0,149 0,149 0,149 Cont6 0,330 0,289 0,290 0,290 0,290 0,290 0,290 0,290 Cont7 0,330 0,318 0,317 0,317 0,317 0,317 0,317 0,317 Cont8 0,330 0,367 0,368 0,368 0,368 0,368 0,368 0,368 Cont9 0,330 0,342 0,341 0,341 0,341 0,341 0,341 0,341 Reco10 0,295 0,320 0,318 0,318 0,318 0,318 0,318 0,318 Reco11 0,295 0,325 0,326 0,326 0,326 0,326 0,326 0,326 Reco12i 0,295 0,269 0,270 0,270 0,270 0,270 0,270 0,270 Reco13i 0,295 0,263 0,263 0,263 0,263 0,263 0,263 0,263 Comu14 0,278 0,261 0,261 0,261 0,261 0,261 0,261 0,261 Comu15 0,278 0,184 0,178 0,178 0,178 0,178 0,178 0,178 Comu16 0,278 0,323 0,319 0,319 0,319 0,319 0,319 0,319 Comu17 0,278 0,304 0,304 0,304 0,304 0,304 0,304 0,304 Comu18i 0,278 0,272 0,280 0,280 0,280 0,280 0,280 0,280 Just19 0,214 0,213 0,213 0,213 0,213 0,213 0,213 0,213 Just20 0,214 0,152 0,153 0,154 0,154 0,154 0,154 0,154 Just21 0,214 0,234 0,234 0,234 0,234 0,234 0,234 0,234 Just22 0,214 0,229 0,231 0,231 0,231 0,231 0,231 0,231 Just23i 0,214 0,213 0,210 0,210 0,210 0,210 0,210 0,210 Just24i 0,214 0,235 0,234 0,234 0,234 0,234 0,234 0,234 Valo25 0,335 0,379 0,383 0,383 0,383 0,383 0,383 0,383 Valo26 0,335 0,099 0,090 0,089 0,089 0,089 0,089 0,089 Valo27 0,335 0,363 0,363 0,363 0,363 0,363 0,363 0,363 Valo28 0,335 0,411 0,412 0,413 0,413 0,413 0,413 0,413