Programa de Curso (v.1)

(1)

Programa de Curso

(v.1)

Michael E. Reichenheim

Rio de Janeiro 4-7 de fevereiro, 2019

Curso Eletivo

(2)

Apresentação

Este é um curso introdutório sobre Modelos de Variáveis Latentes (MVL). Tem uma perspectiva aplicada a estudos epidemiológicos e usa prioritariamente o software Mplus como ferramental para os exemplos de análise. Se estrutura em 8 sessões presenciais expositivas com discussões abertas de c. 3 horas e meia de duração.

Serão cobertos os seguintes temas:

•

Introdução aos MVL

•

Formulação, identificação, estimação e reespecificação de MVL

•

Modelos de Medidas

•

Análise de Caminhos

•

Modelos de Equação Estrutural (plenos)

•

Modelos de Equação Estrutural Longitudinais

•

Modelos de Equação Estrutural Multigrupos

•

Modelos para Dados Faltantes

Material de consulta e exercícios

O material de apoio usado nas apresentações, bem como textos adicionais serão disponibilizados em Dropbox. Será encaminhado um link de acesso às pastas correspondentes, que poderão ser acessadas durante o curso. Atualizações ou acréscimos de material novo poderão ocorrer ao longo do curso.

Avaliação

A avaliação deverá ser combinada oportunamente para aquela/es cumprindo créditos.

(3)

Programa

Data

Tópico Material de consulta sugerido

[1]

4/2 M

Apresentação do curso Introdução aos MVL 1

 MVL: teoria e desenvolvimento • Wang & Wang, 2012 – cap 1

[2]

4/2 T

Introdução aos MVL 2

 Princípios chave em variáveis latentes

• Formulação de modelos

• Identificação de modelos

• Estimação de modelos

• Avaliação e modificação de modelos

• Wang & Wang, 2012 – cap 1

• Newsom, 2015 – cap 1

• Geiser, 2013 – cap 1

• Kline, 2015 – cap 1

• Petersen & van der Laan, 2014

[3]

5/2 M

Modelos de Medidas

 Fundamentos

 Análises de Fatores Confirmatória com indicadores intervalares (normais ou não-normais)

 Análises de Fatores Confirmatória com indicadores categóricos

 Modelos de ordem superior (e bi-fatores)

• Geiser, 2013 – cap 3.4

• Kline, 2015 – cap 9

• Brown, 2015

[4]

5/2 T

Análise de Caminhos

 Análise de regressão simples com variáveis manifestas

 Modelos de caminhos (usando com variáveis observadas) e análise de mediação

• Geiser, 2013 – cap 3.2 e 3.5

[5]

6/2 M

Modelos de Equação Estrutural Plenos

 Modelos de Equação Estrutural (com variáveis latentes)

 Correção para erros de medição de variáveis de indicador único

 Testando interações envolvendo variáveis latentes

• Geiser, 2013 – cap 3.3

• Kline, 2015 – cap 10, 14 e 17

[6]

6/2 T

Modelos de Equação Estrutural Longitudinais

 Visão geral dos modelos (tipologia)

 Modelos de painel longitudinais

 Modelos de crescimento latente lineares

 Modelos de crescimento latente não lineares)

• Newsom, 2015 – cap 5

• Geiser, 2013 – cap 4.1–4.4

• Kelloway, 2014 – cap 8 (p 176-84)

• Kline, 2015 – cap 15

• Little, 2013 – cap 6

(4)

Programa (cont.)

Data

Tópico Material de consulta sugerido

[7]

7/2 M

Modelos Multigrupos

 Modelos MIMIC no contexto de modelos de medida

 Análise fatorial confirmatória multigrupos de 1ª ordem

 Modelos de equação estrutural multigrupos plenos

• Kline, 2015 – cap 16

[8]

7/2 T

Modelos para Dados Faltante

 Conceitos

 Explorando dados faltantes se suas assunções

 Análises quando se sustenta assunção de Ausência Aleatória (Missing at Random / MAR)

 Análises para situações de Ausência Não Aleatória (Missing Not at Random / MNAR)



• Muthén et al., 2016

• Muthén et al., 2011

• Enders, 2010

• Newsom, 2015 – cap 13

• Allison, 2001

Bibliografia complementar

Equação estrutural e modelo de medida

• Bollen, 1989

• Hancock & Mueller, 2006

• Finney & DiStefano, 2006

• Byrne, 2012

• Asparouhov & Muthén, 2014

• Asparouhov & Muthén, 2008

• Maruyama, 1998

• Marsh et al., 2009

• Loehlin, 2004

• Asparouhov & Muthén, 2014 Inferência causal

• Morgan & Winship, 2014

• VanderWeele, 2015

• Hernan & Robins, 2015

• Van der Laan & Rose, 2011

• Imbens & Rubin, 2015

• Pearce & Lawlor, 2017

• Daniel et al., 2016

• VanderWeele, 2016

• Ebrahim et al., 2016

• Weed, 2016

• Robins & Weissman, 2016

• Lawlor et al., 2016

• Krieger & Davey Smith, 2016b

• Krieger & Davey Smith, 2016a

• Vandenbroucke et al., 2016

• Daniel et al., 2016

• Broadbent et al., 2016

• Blakely et al., 2016

Outros

• Interlenghi et al., 2017

• Moraes et al., 2016

• Reichenheim et al., 2016b

• Reichenheim et al., 2017

• Reichenheim et al., 2016a

• Souto et al., 2016

• Reichenheim et al., 2015

• Reichenheim et al., 2014a

• Reichenheim et al., 2014b

(5)

Bibliografia

Allison, P. D., 2001. Missing Data. (Vol. 136). London: SAGE Publications.

Asparouhov, T. & Muthén, B., 2008. Exploratory structural equation modeling. Structural Equation Modeling:(Accepted for publication). Currently available at

http://www.statmodel.com/download/EFACFA810.pdf.

Asparouhov, T. & Muthén, B., 2014. Multiple-Group Factor Analysis Alignment. Structural Equation Modeling, (accepted for publication).

Blakely, T.; Lynch, J. & Bentley, R., 2016. DAGs and the restricted potential outcomes approach are tools, not theories of causation. International Journal of Epidemiology, 45:1835-1837.

Bollen, K. A., 1989. Structural Equations with Latent Variables. New York: John Wiley & Sons.

Broadbent, A.; Vandenbroucke, J. P. & Pearce, N., 2016. Formalism or pluralism? A reply to commentaries on 'Causality and causal inference in epidemiology'. International Journal of Epidemiololy.

Brown, T. A., 2015. Confirmatory Factor Analysis for Applied Research. (2 ed.). New York: The Guilford Press.

Byrne, B. M., 2012. Structural Equation Modeling With Mplus - Basic Concepts, Applications, and Programming. New York: Routledge.

Daniel, R. M.; De Stavola, B. L. & Vansteelandt, S., 2016. The formal approach to quantitative causal inference in epidemiology: misguided or misrepresented? International Journal of

Epidemiology, 45:1817-1829.

Ebrahim, S.; Ferrie, J. E. & Davey Smith, G., 2016. The future of epidemiology: methods or matter?

International Journal of Epidemiology, 45:1699-1716.

Enders, C. K., 2010. Applied missing data analysis. New York: Guilford Press.

Finney, S. J. & DiStefano, C., 2006. Non-normal and categorical data in structural equation modeling.

In: Structural Equation Modeling: A Second Course (G. R. Hancock & R. O. Mueller, ed.), pp.

269–314, Greenwich, CT: Information Age Publishing.

Geiser, C., 2013. Data analysis with Mplus. New York: The Guilford Press.

Hancock, G. R. & Mueller, R. O., 2006. Structural Equation Modeling: A Second Course. (1 ed.).

Greenwich, CT: Information Age Publishing.

Hernan, M. & Robins, J., 2015. Causal Inference (http://www.hsph.harvard.edu/miguel-hernan/causal- inference-book/).

Imbens, G. W. & Rubin, D. B., 2015. Causal Inference in Statistics, Social, and Biomedical Sciences:

Cambridge University Press.

Interlenghi, G. S.; Reichenheim, M. E.; Segall-Correa, A. M.; Perez-Escamilla, R.; Moraes, C. L. &

Salles-Costa, R., 2017. Modeling optimal cutoffs for the Brazilian Household Food Insecurity Measurement Scale in a nationwide representative sample. Journal of Nutrition:(ahead of print, doi: 10.3945/jn.117.249581).

Kelloway, E. K., 2014. Using Mplus for Structural Equation Modeling: A Researcher's Guide: SAGE Publications.

Kline, R. B., 2015. Principles and practice of structural equation modeling. (4 ed.). London: The Guilford Press.

(6)

epidemiological questions, methods and mission. International Journal of Epidemiology, 45:1852-1865.

Lawlor, D. A.; Tilling, K. & Davey Smith, G., 2016. Triangulation in aetiological epidemiology.

Little, T. D., 2013. Longitudinal structural equation modeling. New York: Guilford Press.

Loehlin, J. C., 2004. Latent variable models. An introduction to fator, path and structural equation analysis. (4 ed.). Mahwah, NJ: Lawrence Erlbaum Associates, Publishers.

Marsh, H. W.; Muthén, B.; Asparouhov, A.; Lüdtke, O.; Robitzsch, A.; Morin, A. J. S. & Trautwein, U., 2009. Exploratory Structural Equation Modeling, Integrating CFA and EFA: Application to Students’ Evaluations of University Teaching. Struct Equ Modeling, 16:439-76.

Maruyama, G. M., 1998. Basics of structural equation modeling. Thousand Oaks: SAGE Publications.

Moraes, C. L.; Marques, E. S.; Reichenheim, M. E.; Ferreira, M. F. & Salles-Costa, R., 2016. Intimate partner violence, common mental disorders and household food insecurity: an analysis using path analysis. Public Health Nutrition, 19:2965-2974.

Morgan, S. L. & Winship, C., 2014. Counterfactuals and causal inference: Cambridge University Press.

Muthén, B. O.; Muthén, L. K. & Asparouhov, A., 2016. Regression and Mediation Analysis using Mplus. Los Angeles, CA: Muthén & Muthén.

Muthén, B. O.; Asparouhov, T.; Hunter, A. M. & Leuchter, A. F., 2011. Growth modeling with nonignorable dropout: alternative analyses of the STAR*D antidepressant trial. Psychological Methods, 16:17-33.

Newsom, J. T., 2015. Longitudinal structural equation modeling. (1 ed.). New York: Routledge.

Pearce, N. & Lawlor, D. A., 2017. Causal inference-so much more than statistics. International Journal of Epidemiology, 45:1895-1903.

Petersen, M. L. & van der Laan, M. J., 2014. Causal models and learning from data: integrating causal modeling and statistical estimation. Epidemiology, 25:418-26.

Reichenheim, M.; Dos Santos Sanchez, M. A. & Lourenco, R. A., 2015. Re-assessing the dimensional structure of the Informant Questionnaire on Cognitive Decline in the Elderly (IQCODE):

empirical evidence for a shortened Brazilian version. BMC Geriatrics, 15:93.

Reichenheim, M.; Souza, W.; Coutinho, E. S.; Figueira, I.; Quintana, M. I.; de Mello, M. F.; Bressan, R.

A.; de Jesus Mari, J. & Andreoli, S. B., 2014a. Structural validity of the tonic immobility scale in a population exposed to trauma: evidence from two large Brazilian samples. PLoS One, 9:e94367.

Reichenheim, M. E.; Sampaio, P. F. & Moraes, C. L., 2016a. Estrutura dimensional da versão brasileira do instrumento s-EMBU para aferição de práticas educativas parentais em adolescentes.

Cadernos de Saúde Pública, 32:e00179915.

Reichenheim, M. E.; Moraes, C. L.; Lopes, C. S. & Lobato, G., 2014b. The role of intimate partner violence and other health-related social factors on postpartum common mental disorders: a survey-based structural equation modeling analysis. BMC Public Health, 14:427.

Reichenheim, M. E.; Interlenghi, G. S.; Moraes, C. L.; Segall-Correa, A. M.; Perez-Escamilla, R. &

Salles-Costa, R., 2016b. A Model-Based Approach to Identify Classes and Respective Cutoffs of the Brazilian Household Food Insecurity Measurement Scale. Journal of Nutrition, 146:1356- 1364.

Reichenheim, M. E.; Oliveira, A. G.; Moraes, C. L.; Coutinho, E. S.; Figueira, I. & Lobato, G., 2017.

Reappraising the dimensional structure of the PTSD Checklist: lessons from the DSM-IV-based PCL-C. Revista Brasileira de Psiquiatria:0.

Robins, J. M. & Weissman, M. B., 2016. Counterfactual causation and streetlamps: what is to be done?

(7)

Souto, E. P.; Vasconcelos, A. G.; Chor, D.; Reichenheim, M. E. & Griep, R. H., 2016. Validade da estrutura fatorial da escala de capital social utilizada na linha de base no ELSA-Brasil. Cadernos de Saúde Pública, 32.

Van der Laan, M. J. & Rose, S., 2011. Targeted learning: causal inference for observational and experimental data. New York: Springer Science & Business Media.

Vandenbroucke, J. P.; Broadbent, A. & Pearce, N., 2016. Causality and causal inference in epidemiology: the need for a pluralistic approach. International Journal of Epidemiololy, 45:1776-1786.

VanderWeele, T., 2015. Explanation in causal inference: methods for mediation and interaction. (1 ed.): Oxford University Press.

VanderWeele, T. J., 2016. On Causes, Causal Inference, and Potential Outcomes. Int J Epidemiol, 45:1809-1816.

Wang, J. & Wang, X., 2012. Structural Equation Modeling: Applications using Mplus. Chichester, UK:

Wiley.

Weed, D. L., 2016. Causal inference in epidemiology: potential outcomes, pluralism and peer review.