Modelação da equação estrutural

P>Embora cada técnica da família SEM seja diferente, os seguintes aspectos são comuns a muitos métodos SEM.

Especificação do modeloEditar

Dois componentes principais dos modelos são distinguidos na SEM: o modelo estrutural mostrando as potenciais dependências causais entre variáveis endógenas e exógenas, e o modelo de medição mostrando as relações entre as variáveis latentes e os seus indicadores. Os modelos de análise exploratória e confirmatória de factores, por exemplo, contêm apenas a parte de medição, enquanto os diagramas de trajectória podem ser vistos como SEM que contêm apenas a parte estrutural.

Na especificação de trajectórias num modelo, o modelador pode apresentar dois tipos de relações: (1) percursos livres, nos quais são testadas hipóteses de relações causais (de facto contrafactuais) entre variáveis, sendo assim deixadas ‘livres’ para variar, e (2) relações entre variáveis que já têm uma relação estimada, geralmente baseada em estudos anteriores, que são ‘fixas’ no modelo.

Um modelador especificará muitas vezes um conjunto de modelos teoricamente plausíveis a fim de avaliar se o modelo proposto é o melhor do conjunto de modelos possíveis. Não só o modelador deve ter em conta as razões teóricas para construir o modelo tal como ele é, mas também deve ter em conta o número de pontos de dados e o número de parâmetros que o modelo deve estimar para identificar o modelo. Um modelo identificado é um modelo em que um valor de parâmetro específico identifica exclusivamente o modelo (definição recursiva), e nenhuma outra formulação equivalente pode ser dada por um valor de parâmetro diferente. Um ponto de dados é uma variável com pontuações observadas, como uma variável contendo as pontuações de uma pergunta ou o número de vezes que os inquiridos compram um carro. O parâmetro é o valor de interesse, que pode ser um coeficiente de regressão entre a variável exógena e a endógena ou a carga de factor (coeficiente de regressão entre um indicador e o seu factor). Se houver menos pontos de dados do que o número de parâmetros estimados, o modelo resultante é “não identificado”, uma vez que há muito poucos pontos de referência para contabilizar toda a variância do modelo. A solução é limitar um dos caminhos a zero, o que significa que já não faz parte do modelo.

Estimativa de parâmetros livresEditar

Estimativa de parâmetros é feita comparando as matrizes de covariância reais que representam as relações entre as variáveis e as matrizes de covariância estimadas do modelo de melhor ajuste. Isto é obtido através da maximização numérica através da expectativa-maximização de um critério de ajuste, tal como previsto pela estimativa de máxima verosimilhança, estimativa de verosimilhança quase-máxima, métodos ponderados de mínimos quadrados ou métodos sem distribuição assintótica. Isto é frequentemente conseguido utilizando um programa especializado de análise SEM, do qual existem vários.

Avaliação de modelo e ajuste do modeloEditar

br>>p>Having estimated a model, os analistas vão querer interpretar o modelo. Os caminhos estimados podem ser tabulados e/ou apresentados graficamente como um modelo de caminho. O impacto das variáveis é avaliado utilizando regras de traçado de caminhos (ver análise de caminhos).

É importante examinar o “ajuste” de um modelo estimado para determinar o quão bem ele modela os dados. Esta é uma tarefa básica na modelação SEM, formando a base para aceitar ou rejeitar modelos e, mais geralmente, aceitar um modelo concorrente em detrimento de outro. A saída dos programas SEM inclui matrizes das relações estimadas entre as variáveis do modelo. A avaliação do ajuste calcula essencialmente quão semelhantes são os dados previstos para matrizes contendo as relações nos dados reais.

Testes estatísticos formais e índices de ajuste foram desenvolvidos para estes fins. Os parâmetros individuais do modelo também podem ser examinados dentro do modelo estimado, a fim de ver até que ponto o modelo proposto se enquadra na teoria da condução. A maioria, embora não todos, os métodos de estimativa tornam possíveis tais testes do modelo.

Of course como em todos os testes de hipóteses estatísticas, os testes do modelo SEM baseiam-se no pressuposto de que os dados relevantes correctos e completos foram modelados. Na literatura SEM, a discussão sobre o ajuste levou a uma variedade de recomendações diferentes sobre a aplicação precisa dos vários índices de ajuste e testes de hipóteses.

Existem abordagens diferentes para avaliar o ajuste. As abordagens tradicionais à modelação partem de uma hipótese nula, recompensando modelos mais parcimoniosos (ou seja, aqueles com menos parâmetros livres), para outros como o AIC, que se concentram em quão pouco os valores ajustados se desviam de um modelo saturado (ou seja, quão bem reproduzem os valores medidos), tendo em conta o número de parâmetros livres utilizados. Uma vez que diferentes medidas de ajuste captam diferentes elementos do ajuste do modelo, é apropriado reportar uma selecção de diferentes medidas de ajuste. As directrizes (i.e., “cutoff scores”) para a interpretação de medidas de ajuste, incluindo as listadas abaixo, são objecto de muito debate entre os investigadores de SEM.

algumas das medidas de ajuste mais comummente utilizadas incluem:

• Chi-squared
  • Uma medida fundamental de ajuste utilizada no cálculo de muitas outras medidas de ajuste. Conceptualmente é uma função do tamanho da amostra e da diferença entre a matriz de covariância observada e a matriz de covariância do modelo.
• Critério de informação Akaike (AIC)
  • Um teste de ajuste relativo do modelo: O modelo preferido é o que tem o valor mais baixo de AIC.
  • A I C = 2 k – 2 ln ( L ) {\i}displaystyle {\i}=2k-2\i(L)},}
    
  • onde k é o número de parâmetros no modelo estatístico, e L é o valor maximizado da probabilidade do modelo.
• Erro Médio Quadrado de Aproximação da Raiz (RMSEA)
  li>Índice de ajuste onde um valor de zero indica o melhor ajuste. Embora a directriz para determinar um “ajuste próximo” usando a RMSEA seja altamente contestada, a maioria dos investigadores concorda que uma RMSEA de .1 ou mais indica um ajuste fraco.

Para cada medida de ajuste, uma decisão quanto ao que representa um bom ajuste entre o modelo e os dados deve reflectir outros factores contextuais, tais como o tamanho da amostra, a relação entre indicadores e factores, e a complexidade geral do modelo. Por exemplo, amostras muito grandes tornam o teste Qui-quadrado excessivamente sensível e mais susceptível de indicar uma falta de ajuste dos dados do modelo.

Modificação do modeloEditar

O modelo pode precisar de ser modificado para melhorar o ajuste, estimando assim as relações mais prováveis entre as variáveis. Muitos programas fornecem índices de modificação que podem orientar pequenas modificações. Os índices de modificação relatam a modificação em χ² que resulta da libertação de parâmetros fixos: geralmente, acrescentando assim um caminho a um modelo que está actualmente ajustado a zero. As modificações que melhoram o ajuste do modelo podem ser assinaladas como potenciais alterações que podem ser feitas ao modelo. As modificações a um modelo, especialmente o modelo estrutural, são alterações à teoria alegada como sendo verdadeira. Por conseguinte, as modificações devem fazer sentido em termos da teoria a ser testada, ou ser reconhecidas como limitações dessa teoria. As alterações ao modelo de medição são efectivamente alegações de que os itens/dados são indicadores impuros das variáveis latentes especificadas pela teoria.

Modelos não devem ser conduzidos por MI, como Maccallum (1986) demonstrou: “Mesmo em condições favoráveis, os modelos resultantes das pesquisas de especificação devem ser vistos com cautela”

Tamanho da amostra e powerEdit

Embora os investigadores concordem que são necessários grandes tamanhos de amostra para fornecer poder estatístico suficiente e estimativas precisas usando SEM, não há consenso geral sobre o método apropriado para determinar o tamanho adequado da amostra. Geralmente, as considerações para a determinação do tamanho da amostra incluem o número de observações por parâmetro, o número de observações necessárias para que os índices de ajuste possam funcionar adequadamente, e o número de observações por grau de liberdade. Os investigadores propuseram directrizes baseadas em estudos de simulação, experiência profissional, e fórmulas matemáticas.

Requisitos de tamanho da amostra para alcançar um significado e poder particulares no teste de hipóteses SEM são semelhantes para o mesmo modelo quando qualquer dos três algoritmos (PLS-PA, LISREL ou sistemas de equações de regressão) é utilizado para testes.

Interpretação e comunicaçãoEditar

O conjunto de modelos é então interpretado de modo a que possam ser feitas alegações sobre as construções, com base no modelo de melhor ajuste.

Acautelar-se sempre quando se faz alegações de causalidade, mesmo quando a experimentação ou os estudos encomendados pelo tempo tenham sido feitos. O termo modelo causal deve ser entendido como “um modelo que transmite pressupostos causais”, e não necessariamente um modelo que produz conclusões causais validadas. A recolha de dados em múltiplos momentos e a utilização de um desenho experimental ou quase-experimental pode ajudar a excluir certas hipóteses rivais, mas mesmo uma experiência aleatória não pode descartar todas essas ameaças à inferência causal. Um bom ajuste por um modelo consistente com uma hipótese causal implica invariavelmente um ajuste igualmente bom por outro modelo consistente com uma hipótese causal oposta. Nenhum desenho de pesquisa, por mais inteligente que seja, pode ajudar a distinguir tais hipóteses rivais, excepto para experiências intervencionistas.

Como em qualquer ciência, a replicação subsequente e talvez a modificação procederá a partir da descoberta inicial.