4. PROCEDIMENTOS INICIAIS PARA AVALIAÇÃO DO MODELO
4.2. Procedimentos iniciais
4.2.2. 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.