Parâmetros para análise do ajuste do modelo

De acordo com Ringle, Silva e Bido (2014), o ajuste do modelo deve ser realizado em dois momentos, primeiramente são avaliados os modelos de mensuração e, na sequência, avalia-se o modelo estrutural ou de caminhos [Ilustração 23].

Ilustração 23 - Síntese das análises dos resultados da PLS-SEM Fonte: adaptado de Ringle, Silva e Bido (2014)

Na avaliação do modelo de mensuração, é necessário fazer uma distinção entre modelos reflexivos e formativos. No caso dos modelos reflexivos, a avaliação se dá a partir dos critérios de confiabilidade composta, confiabilidade do indicador, validade convergente e validade discriminante, conforme expresso no Quadro 20 (HAIR JR. et al., 2014, grifo da autora).

Quadro 20 - Critérios de avaliação dos modelos de mensuração reflexivos (PLS-SEM)

Indicador Descrição Critério Referências

Confiabilidade

Refere-se ao grau no qual os construtos são distintos e não

Vale ressaltar que os problemas de validade convergente indicam que as variáveis não se correlacionam bem umas com as outras dentro de um mesmo fator, ou seja, o fator latente não é bem explicado por suas variáveis observadas. Os problemas de validade discriminante, por sua vez, indicam que as variáveis se correlacionam mais fortemente com as variáveis fora do seu fator do que com as variáveis de dentro, ou seja, o fator latente é mais bem explicado por outras variáveis (de um fator diferente), que por suas próprias variáveis observadas (HAIR JR. et al., 2009).

Já os critérios para avaliação de modelos formativos são um pouco distintos, já que o cálculo da consistência interna não é aplicável (DIAMANTOPOULOS et al., 2008).

Hair Jr. et al. (2014) recomendam verificar a validade convergente, a multicolinearidade entre os indicadores, a significância e relevância dos pesos fatoriais, conforme os critérios expressos no Quadro 21.

Quadro 21 - Critérios de avaliação dos modelos de mensuração formativos (PLS-SEM)

Indicador Descrição Critério Referências

Validade indicadores) e de VIF (fator de inflação de variância).

Uma questão relevante na análise dos construtos formativos nos modelos PLS-SEM diz respeito ao efeito da multicolinearidade. Diamantoupoulos et al. (2008) comentam que esta pode ser a causa da presença de indicadores formativos não-significantes.

Por esse motivo, Bido et al. (2010) alertam que qualquer VIF substancialmente maior que 1 indica multicolinearidade, inviabilizando a interpretação dos pesos fatoriais e apontando para a necessidade de reavaliação do construto e de seus componentes.

No entanto, antes de proceder com essa análise, deve-se certificar de que o construto formativo possui validade de conteúdo. Segundo Netemeyer et al. (2003), a validade de conteúdo refere-se à consistência dos itens com o domínio teórico do construto em todos os aspectos. Deve-se garantir, por meio da teoria, que o construto considere todas as facetas que o constituem (HAIR JR. et al., 2014). Essa validade foi obtida no

presente trabalho por meio do amplo levantamento teórico realizado, como também por meio da consulta aos especialistas durante a etapa de construção do instrumento de pesquisa.

Outro ponto importante refere-se à validade de face, que pode ser definida como o grau de relevância e representatividade dos itens do construto para os respondentes (NETEMEYER et al., 2003). A validade de face foi obtida por meio do pré-teste, que resultou na adaptação e exclusão de alguns itens dos construtos, de forma a torna-los mais objetivos e representativos de suas variáveis latentes.

Finalmente, a avaliação do modelo estrutural ocorre por meio da análise da significância dos coeficientes de caminho, do coeficiente de determinação (R²), do tamanho do efeito (f²), da validade preditiva (Q²) e do tamanho do efeito (q²). Nesta etapa, busca-se examinar a capacidade preditiva do modelo e as significâncias das relações entre os construtos (HAIR JR. et al., 2014, grifo da autora).

Antes de iniciar as análises, Hair Jr. et al. (2014) indicam a necessidade de verificação da multicolinearidade do modelo estrutural, procedimento este que geralmente ocorre em regressões lineares múltiplas, visando eliminar possíveis vieses.

Para esta análise, utiliza-se o mesmo critério de avaliação dos modelos formativos, o fator de inflação de variância (VIF), com o objetivo de examinar cada conjunto de construtos preditores separadamente para cada subparte do modelo estrutural. Os valores de referência VIF, indicados pelos autores, devem estar acima de 0,2 e abaixo de 5. Caso isso não ocorra, deve-se considerar a eliminação do construto, a mescla dos construtos preditores em um único construto ou então a criação de construtos de alta ordem para lidar com os problemas de multicolinearidade.

Ao contrário da CB-SEM, a PLS-SEM não possui um critério único de goodness-of-fit (GOF)¹. Assim, enquanto o ajuste da CB-SEM é derivado da discrepância entre a

1 Até recentemente o GOF era calculado para avaliar o ajuste do modelo PLS-SEM como um todo.

Porém, Hair Jr. et al. (2014) salientam que o mesmo não tem poder de distinguir modelos válidos e modelos não válidos. Assim, sugere-se não usar o GOF como indicador (RINGLE; SILVA; BIDO, 2014;

HAIR JR. et al., 2014).

matriz de covariância do modelo empírico e teórico, na PLS-SEM, essa medida é realizada com base na discrepância entre os valores observados em relação aos valores previstos para o modelo. Dessa forma, a avaliação dos resultados da PLS-SEM é baseada em um conjunto de critérios não paramétricos, além de critérios como o bootstrapping² e o blindfolding³, expressos no Quadro 22 (HAIR JR. et al., 2014).

Quadro 22 - Critérios de avaliação do modelo estrutural (PLS-SEM)

Indicador Descrição Critério Referências

Teste T de

Avalia a porção da variância das variáveis endógenas explicada modelo. É obtido pela inclusão e exclusão de construtos do Multicolinearidade Visa identificar se os construtos

do modelo não são redundantes. 0,20 < VIF < 5 para Hair

2 É uma técnica de reamostragem que utiliza um grande número de sub-amostras a partir dos dados originais (com substituição) e estima modelos para cada sub-amostra. É um procedimento utilizado para determinar o erro padrão das estimativas dos coeficientes visando avaliar sua significância estatística sem depender de suposições de distribuição (HAIR JR. et al., 2014, p. 128).

3 É uma técnica que, por meio da amostra, omite parte da matriz de dados e utiliza as estimativas do modelo já calculado para prever essa parte omitida (HAIR JR. et al., 2014, p. 153).

4 Para Hair Jr. et al. (2014), valores de R² de 0,75, 0,50 e 0,25 para variáveis endógenas são considerados, respectivamente, como altos, moderados e fracos. Os autores também ressaltam que o valor R² ajustado pode ser utilizado como critério para evitar viés em modelos complexos.

Indicador Descrição Critério Referências

Validade preditiva (Q²)

Avalia a acurácia do modelo ajustado, ou seja, quanto o modelo se aproxima do que se esperava dele.

Utiliza o blindfolding a fim de obter as medidas de deve ser realizada à luz da teoria.

Hair Jr. et al. (2014) salientam que a análise da heterogeneidade das observações é um aspecto importante da avaliação do modelo estrutural, pois pode afetar a validade dos resultados da PLS-SEM. Sobre isso, os autores afirmam que, se a teoria suporta a existência de grupos de dados (heterogêneos), deve-se executar a PLS-SEM multigrupo. Se não há teoria ou informação acerca dos grupos dos dados subjacentes disponíveis, uma avaliação da existência de heterogeneidade não observada deve ser realizada por meio do método FIMIX-PLS, disponível no software SmartPLS (HAIR JR. et al., 2014).