A técnica de Modelagem Estrutural de Equações (SEM) proporciona ao pesquisador a condição de acomodar diversos relacionamentos de dependência inter- relacionados num único modelo. Está próxima da regressão multivariada, que pode estimar um único relacionamento – equação. A SEM pode estimar muitas equações por vez, sendo que estas podem estar inter-relacionadas, isto é, a variável dependente de uma equação pode ser uma independente em outra equação. A utilização dessa técnica permite ao pesquisador modelar relacionamentos complexos, o que não seria possível com quaisquer outras técnicas estatísticas multivariadas. Permite ainda a investigação sobre quão bem as variáveis preditoras explicam a variável dependente, e qual delas é a mais importante nesta explicação.
Toda técnica de SEM pode se reconhecida por duas características: estimação de relacionamentos múltiplos e de dependência interrelacionada; a habilidade de representar conceitos não-observados nesses relacionamentos e contabilizar os erros de medidas no processo de estimação.
A maior diferença entre a SEM e os outros métodos, ou técnicas multivariadas, é o uso de relações separadas para cada conjunto de variáveis dependentes: a SEM estima uma série de equações de regressões multivariadas de modo separado, mas que se interdependem. Esta interdependência é formalizada por definição prévia de um modelo que será utilizado pelo programa estatístico. Em primeiro lugar, o pesquisador estabelece o modelo de correlações entre as variáveis tendo em vista a teoria que os suporta e os objetivos da pesquisa, definindo as variáveis independentes que predizem cada variável dependente.
O modelo de correlações expressa as relações entre as variáveis dependentes e as independentes, mesmo aquelas relações entre variáveis dependentes que se tornam variáveis independentes em outros relacionamentos. Todos os relacionamentos são transformados numa série de equações estruturais para cada variável dependente.
Além da estimação dos relacionamentos multivariados de dependência inter- relacionada, a técnica de SEM também tem a habilidade de incorporar as variáveis latentes na análise. Segundo Maruyama (1998: 29) a análise de caminhos está relacionada a modelos de fluxo causal direcional único, nos quais as medidas de cada variável conceitual são perefeitamente confiáveis. Isto não quer dizer que as medidas das variáveis do modelo são isentas de erros. Certamente isto não é verdade quanto se trata de estudos no âmbito das ciências sociais; para evitar-se o problema, foram incluídas as variáveis latentes ou não-observadas ou os erros. Estes indicadores revelam a quantidade de variância não- explicada pelas variáveis exógenas, ou independentes, ou preditoras especificadas.
Para melhor determinar o relacionamento entre as variáveis do modelo proposto elaborou-se um mapa, indicando as variáveis e o modo como elas se relacionam. Este mapa
é conhecido por diagrama de caminhos (path diagrams). Os relacionamentos entre variáveis são representados por flechas. Uma flecha de direção única indica o impacto de uma variável independente sobre uma dependente; uma flecha curva, com setas nas duas extremidades, indica que as duas variáveis são correlacionadas, como se fosse uma multicolinearidade no caso da regressão multivariada – efeito recursivo. O diagrama de caminhos é a base para a análise de caminhos (path analysis) que estima a intensidade de cada relacionamento. Para tanto, é utilizada uma matriz de correlação ou covariância como dados de entrada.
Os diagramas de caminho devem ser montados tendo em vista a teoria que os suporta, propiciando, dessa forma, uma explicação consistente e compreensiva do fenômeno. Partindo deste ponto, pode-se modificar esses diagramas de caminho para tentar descobrir ou propor novos diagramas de caminho, que melhor expliquem os problemas mais complexos. A SEM é muito mais uma metodologia confirmatória, guiada mais pela teoria do que pelos resultados empíricos (Hair et al.,1998).
O pesquisador deve adotar o uso da técnica, de acordo com os objetivos da sua pesquisa. Existem três objetivos que devem ser explicitados quando da aplicação da técnica:
Os relacionamentos estão colocados e o objetivo é a confirmação dos relacionamentos (confirmatory modeling strategy). A SEM é utilizada para avaliar a significância estatística do modelo. Pesquisadores demonstraram que esta técnica, desenvolvida para avaliar os modelos de equações estruturais, tem um viés confirmatório que tende a confirmar que o modelo proposto adere aos dados; então, não se pode provar que o modelo proposto funciona bem, mas somente confirmar que é mais uma possibilidade aceitável para representar o problema. Diversos outros modelos podem ser igualmente representativos para explicar o fenômeno desejado, portanto, o teste mais rigoroso é obtido pela comparação entre modelos alternativos;
Comparação entre modelos alternativos para explicar o fenômeno (competing models strategy). Existe um programa chamado TETRAD que, a partir da matriz de dados e do modelo inicial de relacionamentos, examina os padrões de relacionamentos e isola aqueles que podem ser empiricamente explicados. Este programa não descobre novos parâmetros para o modelo, mas identifica novos relacionamentos que podem ser incluídos no modelo original, compondo desta forma os modelos alternativos;
Os relacionamentos não são conhecidos e o objetivo é descobri-los; ou, se conhecidos, o objetivo é reespecificá-los de modo a explicar melhor o fenômeno (model development strategy). O pesquisador deve empregar a SEM para tentar obter insights para a reespecificação do modelo, e não para testá-lo empiricamente. O erro mais crítico no desenvolvimento de modelos teóricos é o esquecimento ou a omissão de uma ou mais variáveis preditivas – problema conhecido como erro de
especificação. A implicação deste tipo de acontecimento é um viés, ou um erro, na avaliação da importância das outras variáveis no modelo. Por outro lado, o desejo de incluir muitas variáveis ao modelo vai de encontro às limitações do SEM. Embora teoricamente não exista limite para o número de variáveis no modelo, existe uma regra prática, mas não fundamentada, que afirma que a significância estatística do modelo fica difícil de ser obtida quando o número de conceitos excede 20. O pesquisador não deve omitir um conceito somente porque é grande o número de variáveis, mas deve reconhecer os benefícios dos modelos teóricos concisos e enxutos (Hair et al, 1998). Para Hair et al., todos os modelos de equações estruturais possuem o erro de especificação, uma vez que um construto ou indicador importante pode ter sido excluído.
Klem (1995) alerta para possíveis erros existentes nas análises de caminhos, como por exemplo, erros de medidas nas variáveis observadas, erros de especificação do modelo e multicolinearidade entre os parâmetros. Chama a atenção para a quantidade de respondentes para cada parâmetro do modelo que, em geral, se situa entre 5 e 10 respondentes por parâmetro a ser estimado.
2.4.1. Histórico da técnica
Segundo Maruyama (1998), a técnica foi denominada path analysis devido ao trabalho de Wright (1921, 1934, apud Maruyama, 1998: 9); posteriormente, com o advento dos computadores e de programas que propiciavam a realização de análises mais complexas, o termo modelagem causal foi introduzido. O autor afirma que este termo foi rejeitado por alguns cientistas sociais, que não aceitavam o uso da nomenclatura causal em estudos não-experimentais. Passou-se a utilizar a denominação de equações estruturais, onde as relações são definidas por uma série de equações que descrevem as estruturas hipotetizadas das relações; daí os nomes análise de equações estruturais ou modelagem de equações estruturais. Para Hair et al. (1998), a força e a convicção com a qual um pesquisador pode assumir a associação entre dois construtos baseiam-se na justificação teórica que suporta as análises. No âmbito das ciências sociais, Maruyama (1998) cita Blalock (1960) e Duncan (1966) como os pioneiros no uso da técnica.
Entre os programas mais conhecidos que processam as equações estruturais podem ser citados o LISREL (Jöreskog & Sörbom, 1984), o EQS (Bentler, 1985) e o AMOS (Arbuckle, 1997).
2.4.2. O programa AMOS 3.61b (w32)
Em sua versão 3.61b-w32 (Arbuckle, 1997), é um programa estatístico empregado para a resuloção, análise e modelagem das equações estruturais. É compatível com o ambiente Windows e pode ser inserido no programa estatístico SPSS 10.0.
O módulo “AMOS GRAPHICS” permite que a entrada das equações estruturais seja feita pelo diagrama de relacionamentos. O desenho do diagrama, neste módulo, segue o seguinte padrão: os retângulos representam as variáveis observadas ou mensuradas; as
elipses representam as variáveis não observadas, ou latentes, ou os erros; a seta com uma ponta representa o caminho ou a relação de causa entre duas variáveis; uma seta curva, com duas pontas entre duas variáveis, representa uma covariância – nos diagramas da pesquisa, para melhorar o entendimento visual, utilizou-se as setas de duas pontas unidas por uma reta; o desenho do diagrama deve ser tal que as flechas, ou melhor, o fluxo causal seja feito da esquerda para a direita; existem dois tipos de modelos que podem ser desenvolvidos: aqueles em que as causalidades são hipotetizadas numa única direção, denominados de recursivo; modelos nos quais o fluxo causal tem mais de uma direção, denominados de não- recursivo.
O programa faz o cálculo dos coeficientes das relações entre as variáveis endógenas e exógenas por intermédio da regressão multivariada. Ou seja, cada variável endógena do modelo é expressa por uma equação multivariada, também chamada de equação estrutural. O método empregado para isso é o da análise de regressão OLS – Ordinary Least Squares.
O programa oferece uma opção que mostra todos os efeitos diretos e indiretos das variáveis independentes sobre a variável dependente analisada. De acordo com Klem (1995), para cada par de variáveis do modelo existe uma correlação implícita, que é a soma de quatro componentes: o efeito direto, a soma dos efeitos indiretos, a soma dos “efeitos expúrios” e a soma dos “efeitos não-analisados”. Os “efeitos expúrios”, entre variáveis, acontecem quando elas têm uma ou mais causas em comum e é caracterizado por um caminho contrário à direção do fluxo causal. Os “efeitos não-analisados” são aqueles apresentados por uma flecha de duas pontas entre duas variáveis exógenas; eles são tidos como não-analisados por não envolverem uma relação de causa, mas uma correlação na qual a ordem causal não é especificada.
Em seguida apresenta-se o modelo proposto para a explicação do comprometimento organizacional.