Modelagem de equações estruturais 111

Morgan e Hunt (1994) utilizaram a modelagem das equações estruturais para testar e propor o modelo KMV, no qual os constructos confiança e comprometimento são mediadores entre os constructos antecedentes e os conseqüentes. O software utilizado foi o Lisrel, baseado em covariâncias para a estimação dos coeficientes de mensuração e estruturais do modelo.

Para identificar as relações e a mediação entre os constructos, no modelo KMV estendido e adaptado, empregou-se a modelagem de equações estruturais, com o software SmartPLS. O

mesmo apresenta um método de estimação que exige menos suposições e menor tamanho da amostra, conforme será discutido adiante. É muito comum o pesquisador se defrontar com um conjunto de questões inter-relacionadas. Hair Jr. et al. (2005a, p. 465) citam como exemplo a questão de “quais são as variáveis que determinam a imagem de uma loja?” Outro exemplo: quais são os constructos precursores da cooperação entre fornecedor e cliente?

A modelagem de equações estruturais pode ajudar a resolver esse tipo de questão, além de outras e em diversas áreas de estudo como educação, marketing, psicologia, sociologia e administração. Essa técnica tem a vantagem de lidar com múltiplas relações simultaneamente e de ser um elo de ligação entre a análise exploratória e a análise confirmatória.

Hair Jr. et al (2005a, p. 470) enfatizam que:

[...] as técnicas de equações estruturais são distinguidas por duas características: a estimação de múltiplas e inter-relacionadas relações de dependência e a habilidade para representar conceitos não observados nessas relações e explicar o erro de mensuração no processo de estimação.

As equações estruturais fornecem a combinação de um modelo estrutural e um modelo de mensuração. “O modelo de mensuração especifica os indicadores (variáveis) para cada constructo e avalia a confiabilidade de cada constructo para estimar as relações causais.” (HAIR JR. et al, 2005a, p. 468). O modelo estrutural é um conjunto de relações de dependência que conecta os constructos do modelo.

As medidas que indicam a qualidade do modelo são: Average variance explained, que é a média das variâncias explicadas de cada constructo, R² que indica o quanto as variáveis dependentes são previstas pelas variáveis independentes e Goodness-of-fit que mede quanto da variância é explicada pelo modelo. Apesar da inexistência de uma medida global de ajuste dos dados empíricos ao modelo teórico, a medida Goodness-of-fit foi proposta por Tenenhaus

et al (2005 apud ZWICKER, SOUZA, BIDO, 2008, p. 5). Para obtê-la, calcula-se a média

geométrica entre o R² médio e a AVE média, o que indica a adequação do modelo estrutural e a adequação do modelo de mensuração, respectivamente. Aplica-se essa medida quando todas as variáveis latentes são reflexivas, que é o caso do modelo deste trabalho.

O modelo reflexivo implica que a direção da causalidade ocorre do constructo para os itens, isto é, os mesmos são manifestações do constructo e mudanças neles não devem causar

mudanças no constructo. Outras características devem estar presentes: intercambialidade, covariação e rede nomológica dos indicadores (BIDO, 2008).

A intercambialidade indica que os indicadores devem compartilhar do mesmo tema, de forma que a retirada de um deles não altera o constructo. A covariação diz respeito à existência de correlação entre os indicadores; quanto à rede nomológica, os indicadores devem ter os mesmos conceitos antecedentes e conseqüentes.

A modelagem de equações estruturais apresenta alguns métodos de estimação dos coeficientes de mensuração e estruturais, como por exemplo, a modelagem baseada na análise da matriz de covariâncias (MEEBC) e a Partial Least Squares (MEEPLS) baseada em componentes associados à regressão múltipla (relações lineares entre variáveis latentes resolvidas em partes, uma de cada vez por meio de regressões interdependentes). O quadro 26 apresenta uma comparação dos dois métodos.

Neste trabalho foi utilizado o método de estimação PLS devido às condições indicadas no quadro 26, principalmente por não haver suposições quanto à distribuição dos dados, ao tamanho da amostra e pelo contexto exploratório. O objetivo é testar o modelo proposto adaptado da Ilustração 9.

Quadro 26 - Comparação entre MEEPLS e MEEBC

Item MEEPLS MEEBC

Objetivo predição explicação: modelos causais, teste de teoria

Abordagem baseado na variância Baseado na covariância Precisão consistente conforme aumentam o tamanho da

amostra (consistency) e a quantidade de indicadores (consistency at large)

ótimo para amostras grandes Variáveis

latentes (VL) As VL são combinações lineares dos indicadores e os escores fatoriais são estimados explicitamente

indeterminância fatorial: diversos modelos podem reproduzir a matriz de covariância Modelo de

mensuração

Pode haver indicadores formativos ou reflexivos

Apenas indicadores reflexivos Requisitos

quanto à teoria

Mais flexível, contexto mais exploratório Fortemente dependente da teoria Distribuição dos

dados

Não há suposições, por isso se diz que é soft Dependendo do método de estimação, as variáveis devem apresentar distribuição normal multivariada

Quadro 26 - Comparação entre MEEPLS e MEEBC (continuação)

Tamanho da amostra

Análise do poder estatístico com a porção do modelo que possui o maior número de preditores ou 10 vezes o maior número de preditores (indicadores formativos ou setas estruturais chegando até a VL, o que for maior). O mínimo recomendado é de 30 a 100 casos.

Idealmente baseado na análise do poder estatístico, sendo o mínimo recomendado da ordem de 200 casos

Identificação (estimação única dos parâmetros)

Para modelos recursivos é sempre identificado Depende do modelo e deve ter pelo menos de 3 a 4 indicadores por VL. Necessário impor restrições aos parâmetros. Três problemas: às vezes o modelo não converge, soluções impróprias e indeterminância fatorial Significância dos

parâmetros Estimada por métodos não-paramétricos, por exemplo, bootstrapping Geralmente, estimada por métodos paramétricos, mas bootstrapping é uma opção

Complexidade Capaz de lidar com alta complexidade (100

constructos e 1000 indicadores) Complexidade de média a moderada (menos de 100 indicadores) Inclusão de

restrições nos parâmetros do modelo

Mesmo que não haja seta entre as VL, supõe- se que elas tenham correlação entre si. Não é possível impor restrições aos parâmetros do modelo, como por exemplo, forçar correlação 1 entre duas VL no teste de validade discriminante.

Se não houver setas entre as VL, assume- se que a correlação entre elas seja zero (restrição implícita). É possível impor restrições em qualquer parâmetro do modelo, fixando-se valores ou relação entre valores.

Fonte: adaptado de Zwicker et al (2008, p. 4)

Morgan e Hunt (1994) compararam o modelo KMV com um modelo concorrente, no qual não havia mediação do comprometimento e da confiança entre os constructos antecedentes e os constructos conseqüentes do relacionamento entre cliente e fornecedor.

A comparação das medidas de qualidade dos modelos indicou como melhor o modelo KMV, isto é, os constructos antecedentes causam influências nos outros constructos via confiança e comprometimento.

A estratégia de se utilizarem modelos concorrentes com o auxílio dos dados empíricos auxilia na escolha do melhor modelo que acomoda a base teórica desenvolvida. Hair Jr. et al (2005a, p. 491) sugerem que o acréscimo ou a eliminação de uma ou mais relações causais é a maneira para se criarem os modelos concorrentes e para se obter o melhor modelo.

Primeiramente, testou-se o modelo proposto por Morgan e Hunt (1994), KMV estendido com a inclusão do poder e do conflito, com adaptação ao setor de farmácias e drogarias.

Posteriormente, foi testado um modelo concorrente e alternativo, no qual não ocorre a intermediação dos constructos confiança e comprometimento entre as variáveis antecedentes e conseqüentes.