Estimativa técnica

Uma vez que os dados estão tratados, a próxima etapa refere-se à escolha dos métodos de estimação. Para o desenvolvimento desta pesquisa, foi necessário definir quais os critérios seriam utilizados para a análise do modelo proposto pelo uso do MEE:

 Tipo de matriz de entrada dos dados: Refere-se à escolha do método ideal para a

realização das análises dos dados, sejam por covariância ou correlação. De acordo com Hair et

al. (2010), existem várias razões para a escolha de uma matriz de covariância como matriz de

entrada. Este tipo de matriz é utilizado para testar uma estrutura teórica, como é o caso desta tese, além disso, existem razões técnicas a favor da utilização de uma matriz de covariância, por exemplo: modelos que utilizam a estrutura de covariância possuem soluções padronizadas e oferecem a disponibilidade de se obter a métrica de correlação. Nesse sentido, a estrutura de matriz de covariância foi utilizada no processo de análise do modelo desta tese uma vez que se tornou uma técnica adequada para estimar a qualidade do ajuste do modelo.

 Técnica de estimação: As primeiras tentativas de estimação do modelo de equações

estruturais foram realizadas com regressão (ordinary least squares - OLS), substituída rapidamente pelo método de estimativa de máxima verossimilhança (maximum likelihood

estimation - MLE). O MLE é uma abordagem flexível para a estimativa de parâmetros, porém,

pode surgir a necessidade de utilização de outras técnicas como: método dos mínimos quadrados (weighted least squares - WLS), mínimos quadrados generalizados (generalized

least squares - GLS) ou método de distribuição assintomaticamente livre (asymptotically distribution free - ADF) (HAIR et al. 2010; MALHOTRA, 2014).

Para o desenvolvimento desta pesquisa, foi adotada a técnica de estimação, máxima verossimilhança (ML), por tratar-se de uma técnica utilizada em diferentes pacotes estatísticos e por ser um método bastante consistente na produção de estimativa eficiente, robusto contra violações moderadas da suposição de normalidade.

 Nível de abstração: Na revisão da literatura, foi possível identificar três níveis de

abstração na modelagem de variáveis latentes: agregação total, agregação parcial e desagregação total. Nesta pesquisa, a abordagem de agregação parcial foi considerada a mais adequada para testar o modelo estrutural. Neste caso, os subconjuntos de itens são combinados em um conjunto e tratados como indicadores do seu respectivo construto. Além disso, a agregação parcial considera a confiabilidade de forma mais clara, permitindo simultaneamente a avaliação da unidimensionalidade das variáveis que medem apenas um construto. Para a avaliação do modelo de medição, é utilizada a abordagem de desagregação total (HAIR et al., 2010).

 Somatório das escalas: Trata-se de uma adequação realizada por programas

computacionais nos quais as variáveis observadas (itens dos questionários) são organizadas em clusters ou escalas. Neste caso, o cluster corresponde a um grupo de variáveis observadas e a uma única variável latente. As pontuações médias entre os itens definem o cluster e pode levar a uma maior confiabilidade, além de permitir uma redução dos erros de medição (HAIR et al., 2010). Nesta pesquisa, utilizou-se esse tipo de escala por se tratar de um modelo com um número relativamente grande de indicadores. Os escores dos itens pertencentes a cada construto, que resultaram da avaliação do modelo de medição, foram calculados para formar clusters a serem utilizados na avaliação do modelo estrutural. Essas propriedades são computadas automaticamente pelo software LISREL® utilizado nesta etapa da pesquisa.

 Escolha dos índices para a avaliação do modelo: A tabela 4.1 descreve o resumo dos

indicadores utilizados para as análises dos dados desta tese, baseado nas sugestões descritas por (Baumgartner e Homburg 1996, Ping 2004).

Tabela 4.1. Indicadores de ajuste dos modelos estruturais- continua

Tipo de Indicador: Ajuste absoluto

Indicador Descrição Valor de

referência

X2 _{Qui-quadrado-} Mede as diferenças entre o modelo pelo

modelo sugerido pelos dados amostrais p-value >0,05

Goodness-of-fit index - GFI

Índice de qualidade do ajuste

Comparação dos quadros dos resíduos do modelo proposto versus o modelo sugerido pela amostra.

≥0,90

Root Mean Square Residual - RMR

Erro quadrático médio do resíduo

Representa o valor residual médio derivado do ajuste da matriz de covariância. ≤ 0,05 Standardized Root Mean Residual – SRMR Resíduo padronizado médio

Compara o ajuste dos modelos ≥0,1

Normed Chi-square

Qui-quadrado dividido pelos graus de liberdade

Considera os graus de liberdade uma vez

que o X2 _{é sensível ao tamanho da amostra}

1 e 3: bom ajuste >que 5: ruim

NCP X2_{- df} Trata-se de um parâmetro de não

centralidade Mantêm em 90%

Critical N (CN): Tamanho da

amostra

Verifica se o tamanho da amostra é

adequado ao melhor ajuste do modelo Entre 0,05 e 0,01

Tipo de Indicador: Ajuste incremental

Indicador Descrição Valor de

referência Normed Fit Index –

NFI

Índice de ajuste normalizado

Ajusta a complexidade do modelo comparando o modelo hipotético e o modelo de independência.

≥0,9

Tucker Lewis Index – TLI

Índice de ajuste normalizado

Compara os valores do X2 _{para o modelo}

nulo e especificado 0 a 1 valor maior:

melhor ajuste

Comparativo Fit Index (CFI):

Índice de ajuste comparativo

Mostra a medida da qualidade do

ajustamento do modelo proposto é melhor que a medida da modelo base

≥0,9 Relative Noncentrality Index – RNI Índice relativo de não centralidade

Compara o ajuste resultante de um modelo

especificado com o modelo nulo. ≤0,9

Tipo de Indicador: Ajuste parcimonioso

Indicador Descrição Valor de

referência Adjusted Goodness

of Fit Index – AGFI

Índice de qualidade do ajuste

GFI ajustado pelos graus de liberdade ≥0,9

Parcimony Normed Fit Index - PNFI

Índice de qualidade da parcimônia

Usado para ajustar o NFI Valor maior:

Tabela 4.1. Indicadores de ajuste dos modelos estruturais- continuação Parcimony Goodness-of-fit index – PGFI Índice de qualidade da parcimônia

É uma variação do GFI ≤0,67 sendo 0,5 um

bom ajuste

Tipo de Indicador: Ajuste parcimonioso

Indicador Descrição Valor de

referência Parcimony RATIO - PRATIO Índice de qualidade da parcimônia

É a relação de parcimônia, relação do df do modelo com o df do modelo nulo

Valor maior: melhor ajuste Parcimony Comparative Fit Index – PCFI Índice de qualidade da parcimônia

É o índice PRATIO multiplicado pelo índice CFI Valor maior: melhor ajuste Akaike’s information criteria - AIC Índice de qualidade do ajuste

Compara dois ou mais modelos usando a parcimônia

Valor menor: melhor ajuste

Tipo de Indicador: Ajuste populacional

Indicador Descrição Valor de

referência Root Mean square

error of aproximation - RMSEA Erro quadrático médio de aproximação

Mostra a qualidade do ajuste verificando as proximidades do modelo conceitual com o modelo estrutural

0,03 a 0,08, sendo 0,05 um bom ajuste

PCLOSE Índice de

comparação Testa a proximidade do ajuste do RMSEA ≥0.5

Não há consenso sobre o índice apropriado para avaliação de modelos estruturais, porém, o uso da estatística do qui-quadrado (χ2) tem sido o mais comum.