Medidas de ajustamento dos modelos

Hair Jr. et al. (2005) afirmam que avaliar o ajuste geral dos modelos de equações estruturais não é uma tarefa simples e direta como acontece em outras técnicas multivaridas, tais como a Regressão Múltipla, a Análise Discriminante ou até mesmo a Análise Conjunta. Isso acontece porque a Análise de Equações Estruturais não tem um teste estatístico único que melhor

144

descreve a força de previsão de um determinado modelo. Desta forma, pesquisadores diversos desenvolveram algumas medidas que ao serem usadas conjuntamente, servem para avaliar os resultados sob três perspectivas, ou seja, ajuste geral, ajuste comparativo ao modelo base e parcimônia do modelo. Ademais, o uso de múltiplos índices é aconselhável, pois fornece evidência convergente ao ajuste do modelo.

Nesta etapa foram avaliados todos os modelos buscando-se a compreensão das relações estruturais hipotetizadas.

O procedimento mais comum para estimação desses parâmetros e que geralmente apresenta maior eficiência seja, de acordo com Hair Jr. et al. (2005) é o método da Máxima Verossimilhança (Maximum Likelihood Estimation – MLE).

Os resultados obtidos com o método MLE ficaram bem ajustados, considerando-se os valores indicados na literatura. Neste caso, é até mesmo possível de se afirmar que o modelo alternativo ATI1 tem melhor ajuste estatístico (Tabela 6.5). Por outro lado, do ponto de vista teórico, pressupõe-se que o DSO seja mais viável e com isso, procedeu-se outra estimação na tentativa de corroborar a hipótese. Embora o DSO1 tenha obtido o melhor ajuste, todos eles foram ajustados, contudo, devido ao valor do teste t, somente o DSO1 atesta as hipóteses de pesquisa (Tabela 6.6), conforme será apresentado adiante.

Na perspectiva estatística, o qui-quadrado, quando analisado sem relacioná-lo com os graus de liberdade de cada melo, traz poucas informações. Sendo assim, optou-se pela análise do qui-quadrado ponderado, cujos valores devem se situar entre 1 e 5 ou ainda entre 1 e 2 (dependendo do nível de exigência do pesquisador). Nestes termos, ao analisar o qui-quadrado ajustado dos modelos, percebe-se que todos eles encontram-se entre 1 e 2 o que indica um ajuste. No que se refere ao RMSEA, quanto mais baixos forem os valores obtidos, melhor o ajuste. Considerando-se que os valores devem se situar abaixo de 0,08, nota-se que todos os modelos apresentaram índices abaixo de 0,05 o que atende aos padrões mais rigorosos de alguns autores, como por exemplo HAIR, Jr. et al. (2005) sobre essa medida.

145

encontrados valores elevados. Todavia, a literatura sinaliza que não existe um valor estabelecido para aceitação desse índice, mas quanto mais próximo de um, melhor será o ajuste. Também é importante apontar que os índices NFI, NNFI, CFI e AGFI, obtiveram valore muito próximos em cada constructo e também apresentaram valores superiores aos de referência, o que da indícios de um bom resultado.

Indicadores Principais do Ajuste do Modelo

Valores Obtidos com o Método MLE VALORES DE

REFERÊNCIA

DSO1 DSO2 CON1 CON2 ATI1 ATI2

Graus de liberdade 144 143 144 143 144 143 X Qui-quadrado 218.865 218.131 218.865 218.131 218.16 218.131 X Chi-quadrado Ponderado

(χ2/GL) 1,52 1,53 1,52 1,52 1,52 1,53 Abaixo de 5,00

Root Mean Square Error of

Approximation (RMSEA) 0.0308 0.0309 0.0308 0.0309 0.0306 0.0309 Entre 0,05 e 0,08 Normed Fit Index (NFI) 0.817 0.818 0.817 0.818 0.818 0.818 Acima de 0,90 Non-Normed Fit Index

(NNFI) 0.913 0.912 0.913 0.912 0.914 0.912 Acima de 0,90 Comparative Fit Index (CFI) 0.927 0.927 0.927 0.927 0.928 0.927 Acima de 0,90 Goodness of Fit Index (GFI) 0.962 0.962 0.962 0.962 0.962 0.962 Acima de 0,90 Adjusted Goodness of Fit

Index (AGFI) 0.95 0.949 0.95 0.949 0.95 0.949 Acima de 0,90

Tabela 6.5: Comparação das Medidas de Ajustamento do Modelo Original e os Rivais com o Método de Máxima

Verossimilhança (MLE). Valores de referência segundo Hair et al (2005). Fonte: elaborado pelo autor.

Foram testados também os modelos com o método de estimação ULS (mínimos quadrados não-poderados), mas não se obteve ajustes convergentes, isto é, os modelos não convergem para uma solução, mostrando que o método em questão não pode ser usado.

Para se chegar ao melhor modelo, sem descaracterizar o modelo teórico proposto, deu-se continuidade ao processo de ajustamento seguindo as orientações do Programa Lisrel 8.51 de serem retirados do modelo, individualmente, os indicadores que apresentavam valores residuais elevados.

Procedeu-se também à uma verificação dos resíduos. Diante disso, percebeu-se que, analisando-se os gráficos Q-Plot (Gráficos 6.4, 6.5 e 6.6), nota-se que o modelo DSO1 apresenta o melhor ajustes, pois possui maior aderência à linha de 45°.

146

Método de Estimação MLE Modelo DSO1

Método de Estimação MLE Modelo DSO2

Standardized Residuals

Menor resíduo padronizado: -2.585 Maior resíduo padronizado: 3.013

Standardized Residuals

Menor resíduo padronizado: -2.565 Maior resíduo padronizado: 2.972

147

Método de Estimação MLE Modelo CON1

Método de Estimação MLE Modelo CON2

Standardized Residuals

Menor resíduo padronizado: -2.585 Maior resíduo padronizado: 3.013

Standardized Residuals

Menor resíduo padronizado: -2.573 Maior resíduo padronizado: 3.014

148

Método de Estimação MLE Modelo ATI1

Método de Estimação MLE Modelo ATI2

Standardized Residuals

Menor resíduo padronizado: -2.636 Maior resíduo padronizado: 3.028

Standardized Residuals

Menor resíduo padronizado: -2.585 Maior resíduo padronizado: 3.013

149 6.3.4. AVALIAÇÃO DO MODELO INTEGRADO

Vários indicadores foram excluídos na tentativa de se obter o melhor modelo ajustado resultando de um total de 44, 19 indicadores na escala validada seguindo as orientações de Hair Jr. et al (2005).

Aplicando a técnica MLE para a estimação do modelo com antecedentes na dimensão social obteve-se as equações estruturais, t-values dos parâmetros estimados e respectivos R2, conforme dispostos na Tabela 6.6.

Para a primeira estimativa feita, o modelo DSO2 apresentou valores de t menores que 1,96, implicando que não existe relação de causalidade.

Contudo, para a estimativa do DSO1, os t-values são superiores a 1,96 a um nível de significância de 5%. Isso demonstra a contribuição significante dos construtos endógenos (concepções e atitudes frente ao desenvolvimento tecnológico) para o construto preditor Dimensão Social (DSO) e temos esse modelo com o mais adequado, satisfazendo a teoria e nossa hipótese inicial. Isso significa que o modelo que anteve as outras variáveis é o DSO1.

Modelos MÉTODO DE ESTIMAÇÃO MLE

Equações estruturais t-values R2

DSO1

ATI = 1.096*DSO 7.708 1.202 CON = 1.016*DSO 6.220 1.033 DSO2 DSO = 0.116*ATI + 0.764*CON 0.188 e 0.906 0.795 CON1

ATI = 1.109*CON 7.896 1.231 DSO = 0.880*CON 1.288 0.774 CON2 CON = 4.408*ATI - 3.386*DSO 0.271 e -0.208 1.908

ATI1

DSO = 0.889*ATI 1.354 0.791 CON = 1.069*ATI 6.348 1.144 ATI2 ATI = - 0.145*DSO + 1.249*CON -0.151 e 1.327 1.257

150