Investigao

Sociolgica
Analisar modelos com Equaes Estruturais
Rui Brites

rui.brites@iscte.pt

Modelao de Equaes Estruturais (MEE)

(SEM structural equations modeling)

com SPSS/AMOS

O essencial
Exemplo de aplicao

Os modelos de equaes estruturais (MEE) podem ser vistos,

segundo Klem*, como uma extenso da regresso mltipla, se for
considerado que na aplicao da regresso o investigador est
interessado em prever uma nica varivel dependente, enquanto
nos MEE h mais do que uma varivel dependente.

Regresso: X influencia Y;
MEE: X influencia Y e Y influencia Z.
Uma das caractersticas bsicas da MEE o de permitir testar uma
teoria de ordem causal entre um conjunto de variveis pois:
Permite observar de que forma as variveis independentes
explicam a varivel dependente, bem como a sua importncia
relativa, podendo incorporar variveis latentes na anlise;**
Permite calcular simultaneamente todas as relaes entre os
factores associados a um determinado fenmeno.
*Klem, L. Path analysis, em Grimm, L. G. e P. R. Yarnold, Reading and understanding multivariate
statistics. Washington, DC, American Psychological Association, 1995.
** Uma varivel latente um construto terico e no observado que, por conseguinte, no pode ser
medido directamente, mas pode ser representado ou medido por duas ou mais variveis observadas.

A MEE aconselhvel quando:

Existem construtos latentes;
Quando as variveis observadas contm erros de
mensurao e a relao desejada entre as variveis
observveis;
Quando existe interdependncia entre as variveis
observadas. A sua principal utilidade a de possibilitar
a resoluo de problemas de pesquisa relacionados
com relaes causais entre construtos latentes que
so medidos travs de variveis observadas.

A MEE revela-se muito til quando se pretende testar modelos

complexos, com mltiplas variveis simultneas e traos latentes,
sendo apresentada por vrios autores como uma mistura de anlise
factorial com a regresso mltipla.*
O processo inicia-se com a formulao do modelo terico que
estabelece as relaes causais entre um conjunto de variveis. Este
deve estar devidamente fundamentado na teoria, entendendo-se
o respectivo diagrama como o resumo das hipteses que se
pretendem validar.
A MEE comea pelo enunciar dos aspectos tericos do estudo. Por
conseguinte, a elaborao terica de modelos hipotticos
fundamental no contexto da MEE, pois as relaes entre as variveis,
a estabelecer pelo investigador devem basear-se em pressupostos
tericos consistentes ou em evidncias empricas anteriores.
* Cfr. Ullman, J. B. (2007), Structural Equation Modeling, em Tabachnick, B. G. & L. S. Fidell
(Orgs.), Using multivariate statistics, (5 ed.). Boston, Pearson Education.

Uma caracterstica comum na MEE como forma de

especificao, a representao grfica dos modelos
estruturais. Essa representao possui uma simbologia
convencionada de nomenclatura das relaes estruturais entre
variveis representadas num diagrama:
As variveis observadas so representadas por
rectngulos ou quadrados;
As variveis latentes so representadas por crculos ou
elipses;
O caminho ou a relao de causa entre duas variveis
representado por uma seta com uma ponta;
Uma relao bidireccional entre duas variveis
representada por duas setas em sentidos opostos;
A correlao ou covarincia entre duas variveis
representada por uma seta com duas pontas
6

No nosso exemplo vamos utilizar o AMOS, que

um programa opcional do SPSS que se distingue
de outros softwares de Modelao de Equaes
Estruturais pelo seu interface bastante amigvel,
que

inclui

as

ferramentas

necessrias

ao

desenho do modelo.
Os dados provm do European Social Survey*,
round 1 (2002) e referem-se unicamente a Portugal
Nota: sobre o European Social Survey, ver o ESS no CIES: http://ess.cies.iscte.pt/
7

* A base de dados original est disponvel em http://www.europeansocialsurvey.org/

Modelo de
medida
(Anlise Factorial Confirmatria)
8

Os modelos de medida especificam a forma como as variveis

observadas dependem das variveis latentes. Veja-se o seguinte
exemplo, que comporta quatro medidas distintas:*

* Arbuckle, J. L. (1995-2007). Amos 16.0 Users Guide, USA, Amos Development Corporation. Disponvel 9em:
http://www.amosdevelopment.com/download/Amos%2016.0%20User's%20Guide.pdf

No nosso exemplo pretendemos confirmar se os 3 indicadores

de Confiana Social (a8, a9 e a10) e os 4 de Confiana nas
Instituies Pblicas nacionais (b7, b8, b9 e b10) so
explicados pelas variveis latentes Confiana Social e
Confiana Institucional, respectivamente, bem como saber a
correlao entre elas. O modelo terico o seguinte:
Confiana interpessoal
Confiana na honestidade dos outros

Confiana
Social

Confiana no altrusmo dos outros

Confiana no Parlamento
Confiana nos Polticos
Confiana no Sistema Jurdico
Confiana na Polcia

Confiana
Institucional

10

Especificao do Modelo
Confiana interpessoal

e1

e2

Confiana na honestidade dos outros

e3

Confiana no altrusmo dos outros

Confiana no Parlamento

e4

Confiana nos Polticos

e5

e6

Confiana no Sistema Jurdico

e7

Confiana na Polcia

Variveis observadas
Erros de medida

Confiana
Social
Variveis latentes
(intudas teoricamente)
Correlao entre as
variveis latentes

Confiana
Institucional

Direco (as variveis latentes

explicam as observadas)
11

Resultados da Anlise
Coeficientes de regresso estandardizados (Beta)*
Confiana interpessoal

e1

e2

Confiana na honestidade dos outros

,88
,85

Confiana
Social

,82
e3

Coeficiente de correlao

Confiana no altrusmo dos outros

,34

Confiana no Parlamento

e4

,88
,82

Confiana nos Polticos

e5

,88
e6

Confiana no Sistema Jurdico

e7

Confiana
Institucional

,86

Confiana na Polcia
12

* Designados por pesos factoriais na Anlise Factorial Confirmatria

Resultados da Anlise
Formato publicao

Confiana interpessoal
Confiana na honestidade dos outros

,88
,85

Confiana
Social

,82

Confiana no altrusmo dos outros

,34

Confiana no Parlamento

,88
,82

Confiana nos Polticos

,88

Confiana no Sistema Jurdico

Confiana
Institucional

,86

Confiana na Polcia
13

Anlise de
Caminhos
(Path Analysis)
14

De acordo com Bryman e Duncan*:

A path analysis uma extenso dos procedimentos referentes
regresso mltipla. De facto, este tipo de anlise implica o uso da
regresso mltipla em relao a modelos causais explicitamente
formulados.
No se pode estabelecer a causalidade atravs dela; tambm no
pode ser usada para substituir o investigador na formulao das
relaes causais mais provveis entre um grupo de variveis.
Com base nesta anlise o que se pode fazer analisar o padro de
relaes entre trs ou mais variveis, mas nunca se pode confirmar
ou rejeitar a hipottica relao causal.
o objectivo da path analysis o de fornecer estimativas quantitativas das
relaes causais entre grupos de variveis. As relaes so
direccionadas e so vistas como formando vias (paths) distintas. [] O
diagrama torna explcitas as relaes de causa e efeito que so
consideradas provveis entre as variveis.
15
* Bryman, A. e D. Cramer (2003), Anlise de Dados em Cincias Sociais, Oeiras, Celta.

Path Diagrama do exemplo apresentado no slide 9, com a

especificao das relaes:

16

Resultados do exemplo apresentado no slide 9

O valor .66 indica que knowledge, value e satisfaction

explicam 66% da variao de performance.
17

Modelo terico do nosso exemplo:

Satisfao com
o estado da Economia

Confiana nos Polticos

Satisfao com a forma como

Satisfao com a

o Governo est a actuar

vida em geral

Confiana na Polcia
Grau de felicidade
que sente
Satisfao com o funcionamento
Confiana no Parlamento

da Democracia

18

Especificao do Modelo:
0;
e1
1

Satisfao com
o estado da Economia
0;
e2
1

Confiana nos Polticos

Satisfao com a forma como

o Governo est a actuar

Satisfao com a
vida em geral

Confiana na Polcia
Grau de felicidade
que sente
Confiana no Parlamento

1
e4

0;
e5

Satisfao com o funcionamento

da Democracia
1
0;
e3

0;

19

Resultados da Anlise
Coeficientes de correlao
e1
Coeficientes de regresso estandardizados (Beta)*
Satisfao com
Coeficientes de regresso**

,25

o estado da Economia
,83

,23

-,50

e2
-,14
,49

Confiana nos Polticos

Satisfao com a forma como

o Governo est a actuar

,37

Satisfao com a
vida em geral

e4

,55
,26

,55
,60

,17

,30

Confiana na Polcia

,23
,16

,38
,25

Confiana no Parlamento

* Efeito de x em y

Grau de felicidade
que sente

e5

Satisfao com o funcionamento

da Democracia
e3

20

** % de variao de y explicada pelas variveis especificadas no modelo

Resultados da Anlise
Formato publicao
,25

Satisfao com
o estado da Economia
,83

,23

-,50
-,14

,49

Confiana nos Polticos

Satisfao com a forma como

o Governo est a actuar

,37

Satisfao com a
vida em geral

,55
,55

,60

,17

,26
,30

Confiana na Polcia

,23
,16

,38
,25

Confiana no Parlamento

Grau de felicidade
que sente

Satisfao com o funcionamento

da Democracia

21

Exemplo de aplicao
A satisfao dos estudantes
universitrios portugueses
(resultados mais importantes)
22

Diagrama da Anlise de Equaes Estruturais dos

indicadores de satisfao
(Coeficientes Beta e correlao linear)
Melhores cap.comunicao

Laboratrios

Edifcios e envolvente
,88

Rec.bibliotecrios

,78

Salas de aula

,89
Interaco com docentes
Qual.aconselham.
Disciplinas opo

,57

Conhecimento

Aspectos
Acadmicos

,84

Melhores cap.liderana
,79

,53

,55

Satisfao

,78
,67

Turmas

,62

,74

,82
Qual.contedos

,80

,63

,58

Relacionam.interpessoal

,88
Satisfao
,89
Aspectos de
Desenvolvimento
Pessoal
,88

Satisfao
Apoio
Acadmico

,80

Melhores cap.trabalho
Mais conhecimentos
Expect.intelectuais
Expect.pessoais

,74
Qual.ensino

,83
,43

Avaliao

,24
-,02

,27

,34
Relevncia

,30

,78

,11

,40
Curso

Instituio

,09

,24

Empregabilidade

,27

,28
Prestgio social

Satisfao com o Curso, a Instituio, a

Empregabilidade e o Prestgio social do curso
Legenda:

Variveis observadas

Variveis latentes

23

Diagrama da Anlise de Equaes Estruturais dos

indicadores de satisfao (cont.)

(Coeficientes Beta)

Os resultados permitem concluir o seguinte:

a) relevncia dos indicadores associados a cada uma das variveis latentes, uma vez que, com
excepo dos indicadores interaco com os docentes (=0,58), oferta de disciplinas de opo
(=0,62), os restantes so muito bem explicados pelas respectivas variveis latentes, apresentando
s>0,7;
b) correlao linear moderada entre a Satisfao com os aspectos acadmicos e a Satisfao com
o apoio acadmico (r=0,55) e entre esta e a Satisfao com os aspectos de Desenvolvimento
pessoal (r=0,53), e forte entre esta e a Satisfao com os aspectos acadmicos (r=0,78);
c) capacidade explicativa das variveis latentes no que se refere satisfao com o Curso, com a
Empregabilidade, o Prestgio social do curso e a Instituio, sintetizada no quadro acima,
verificando-se que a Satisfao com os aspectos acadmicos a que mais explica as quatro
dimenses de satisfao observadas.
24
Verifica-se, tambm, que Satisfao com o apoio acadmico no tem impacto na satisfao
com o Curso e no Prestgio social

Output
Informao sobre a qualidade do
ajuste do modelo
(resultados mais importantes)
25

Para alm dos resultados estandardizados (coeficientes

de

regresso

de

correlao),

deve

tambm

ser

disponibilizada informao sobre o ajuste dos dados. Os

ndices de ajuste do informao sobre a qualidade do
ajuste do modelo hipottico com os dados amostrais.

26

Modelo de medida (AFC)

2 d uma ideia ampla sobre o ajuste do modelo. A hiptese
nula a de que o modelo se ajusta perfeitamente populao,
pelo que interessa no rejeitar.

27

CMIN/DF Complementa a informao sobre o 2. a razo

entre 2/graus de liberdade.
Considera-se um bom ajuste quando a razo entre 2/graus de
liberdade no excede 5. Os modelos especificados so,
normalmente, rejeitados pelos testes de excelncia (ajuste
perfeito), devido sua complexidade e ao nmero de
restries. Neste caso rejeita-se a hiptese nula,
considerando-se, por conseguinte, que o ajuste no perfeito:

28

Para contornar as limitaes do teste do 2, devem interpretarse os ndices de aderncia (Goodness-of-fit) para avaliar o
modelo.
NFI (Normed Fit ndex): compara o modelo hipottico com o
modelo de independncia. Varia entre 0 e 1, considerando-se
um bom ajuste valores >0,90. Tendncia para subestimar o
ajuste em amostras pequenas.
CFI (Comparative Fit ndex): interpretao idntica ao NFI, j
que se trata de uma correco ao mesmo para o tamanho da
amostra.
Revela um bom ajuste (CFI e NFI >09)

29

RMSEA (Root Mean Square Error of Aproximation): reconhecido

como um dos critrios mais informativos sobre MEE em
estruturas de co-varincias. O RMSEA tem em conta o erro de
aproximao na populao, cuja medida de discrepncia
expressa em graus de liberdade. sensvel ao nmero de
parmetros estimados no modelo. Valores menores que 0,05
indicam bom ajuste, e valores maiores que 0,08 representam
erros razoveis na aproximao com a populao. Valores entre
0,08 e 0,10 indicam um ajuste medocre, e maiores que 0,10,
um ajuste pobre. RMSEA de 0,06 pode ser um indicativo de bom
ajuste entre o modelo hipottico e os dados observados.
Ajuste medocre (>0,08)

30

CN (Critical N); tambm chamado ndice de Hoelter 0,05 e 0,01

(nveis de significncia), adequao do tamanho da amostra ao
modelo postulado com 95% de confiana e 99% de confiana,
respectivamente. Este critrio verifica a adequao do tamanho
da amostra, e no o ajustado modelo. A proposta deste ndice
uma estimativa do tamanho da amostra que seja
suficientemente adequado ao ajuste o modelo para o teste 2.
Um valor que exceda 200 indicativo que o modelo representa
adequadamente os dados amostrais.
O modelo representa adequadamente os dados amostrais
(>200):

31

Path Analysis
Qualidade global do ajuste:

32

ndices de ajuste (aderncia)

33

Breve
tutorial
34

Execuo do AMOS:

35

Especificao do Modelo

36

Especificao do modelo:

37

38

39

Bibliografia recomendada
Arbuckle, J. L. (1995-2007). Amos 16.0 Users Guide, USA,
Amos Development Corporation. Disponvel em:
http://www.amosdevelopment.com/download/Amos%2016.0
%20User's%20Guide.pdf, consultado em 26/02/2010.
Bryman, A. e D. Cramer (2003), Anlise de Dados em
Cincias Sociais, Oeiras, 3 edio portuguesa: 288-295.
Maroco, J. (2007), Anlise Estatstica com utilizao do SPSS,
Lisboa, Slabo, 3 edio: 648-667.
Ullman, J. B. (2007). Structural Equation Modeling, em
Tabachnick, B. G. & L. S. Fidell (Orgs.), Using multivariate
statistics, (5 ed.). Boston, Pearson Education.
40

 tudo.
Muito obrigado pela
vossa ateno!
41