Pesquisa de Teste de Modelo — Desenho de Teste de Teoria Estrutural
- Proposto por
- Karl G. Joreskog (SEM/LISREL framework); formalized through structural equation modeling tradition
- Ano
- 1970s (Joreskog 1969–1973); widely adopted in social sciences by the 1980s–1990s
- Tipo
- Confirmatory quantitative research design
- Família
- Survey / observational design
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Pesquisa de teste de modelo é um desenho quantitativo confirmatório no qual o pesquisador especifica um modelo teórico — representando relações hipotetizadas entre construtos — e, em seguida, testa o quão bem esse modelo se ajusta aos dados empíricos.
Baseando-se principalmente em modelagem de equações estruturais (SEM) e análise fatorial confirmatória (CFA), avalia se a estrutura de covariância implícita pelos dados é consistente com a derivada teoricamente, gerando índices de ajuste que indicam a correspondência modelo-dados.
A intuição por trás do método
Pense na pesquisa de teste de modelo como pegar uma planta baixa e verificá-la em relação ao edifício real. Você não começa perguntando 'o que está acontecendo nesses dados?' — você começa com uma imagem teoricamente derivada de como as variáveis devem se relacionar umas com as outras, depois coleta dados e pergunta: o mundo se parece com a minha planta baixa? Os índices de ajuste dizem o quão perto o edifício corresponde ao plano, e os índices de modificação ajudam a identificar onde a planta baixa precisa de revisão. Toda a lógica é dedutiva e confirmatória: teoria primeiro, dados em segundo.
História
A base estatística para a pesquisa de teste de modelo foi estabelecida por Karl Joreskog, cujo trabalho em análise fatorial confirmatória (1969) e análise de estrutura de covariância (1973) levou ao pacote de software LISREL. Durante a década de 1980, a SEM se proliferou em psicologia, educação, administração e sociologia, popularizada por pesquisadores como Peter Bentler (software EQS, 1985) e Michael Browne. O livro de Rex Kline, publicado pela primeira vez em 1998 e agora em sua quarta edição (2015), continua sendo a referência metodológica padrão para pesquisadores aplicados em ciências sociais.
Quando usar
Use pesquisa de teste de modelo quando você tiver uma teoria bem desenvolvida que especifica como múltiplos construtos latentes se relacionam, e você precisar avaliar se a teoria é consistente com dados de covariância em nível populacional. É ideal para validar instrumentos de mensuração (CFA), testar cadeias de mediação e moderação, e comparar quadros teóricos concorrentes. Requer pelo menos N = 200 e múltiplos indicadores por construto. Não o use como um primeiro passo quando a teoria é nascente — análise fatorial exploratória ou trabalho qualitativo fundamentado devem preceder a especificação do modelo. Evite-o quando o tamanho da amostra for pequeno, quando os construtos tiverem apenas um indicador, ou quando o objetivo for puramente descritivo em vez de orientado pela teoria.
Limitações e considerações
- Requer uma amostra grande (tipicamente N >= 200) que muitos pesquisadores não conseguem obter de forma viável.
- O ajuste do modelo pode parecer aceitável mesmo quando a interpretação teórica está incorreta — os índices de ajuste confirmam a consistência estatística, não a verdade teórica.
- Altamente sensível à especificação incorreta do modelo; omitir um caminho teoricamente relevante infla outros coeficientes e distorce o ajuste.
- Assume normalidade multivariada sob estimação ML; violações requerem estimadores robustos (MLR, WLSMV) que são menos familiares para muitos pesquisadores aplicados.
- Modificação do modelo post-hoc sem validação cruzada converte um estudo confirmatório em exploratório, minando seu valor científico.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Testa quadros teóricos inteiros simultaneamente em vez de hipóteses bivariadas isoladas.
- Separa o erro de mensuração das relações estruturais, gerando estimativas de parâmetros mais precisas do que a regressão sozinha.
- Permite a comparação formal de modelos concorrentes usando índices de ajuste e testes de diferença de qui-quadrado.
- Suporta a avaliação de mediação, moderação e efeitos indiretos dentro de um único quadro integrado.
- Produz coeficientes padronizados e não padronizados que são diretamente interpretáveis em termos teóricos.
- Amplamente reconhecido e aceito em periódicos de alto impacto nas ciências sociais, comportamentais e da saúde.
Aplicações
- Validação de escalas psicométricas e avaliação de validade convergente e discriminante por meio de CFA.
- Teste de modelos de mediação estrutural — por exemplo, se o efeito das demandas de trabalho no burnout é mediado pela exaustão emocional.
- Comparação de estruturas fatoriais ou coeficientes de caminho entre grupos demográficos via SEM multigrupo.
- Exame de trajetórias de crescimento longitudinal e causalidade recíproca por meio de modelos de painel cruzado-lag.
- Teste de quadros teóricos em comportamento organizacional, psicologia da saúde e pesquisa educacional.
- Avaliação de contas teóricas concorrentes comparando seu ajuste ao mesmo conjunto de dados usando AIC ou BIC.
Como funciona
Como funciona
O pesquisador articula um modelo teórico formal — frequentemente representado como um diagrama de caminhos — que especifica quais construtos latentes existem, como as variáveis observadas (indicadores) se relacionam com esses construtos (modelo de mensuração) e como os construtos se relacionam entre si (modelo estrutural). Cada caminho incluído ou excluído reflete um compromisso teórico substantivo, não uma escolha orientada por dados.
Cada construto latente é operacionalizado pela seleção ou desenvolvimento de escalas com múltiplos itens e confiabilidade e validade estabelecidas ou hipotetizadas. Os requisitos de tamanho da amostra são estimados (um ponto de referência comum é de 10 a 20 casos por parâmetro livre) e o plano de amostragem é alinhado com a população-alvo para apoiar a generalização.
Os dados são coletados — tipicamente por meio de questionários de autorrelato ou medidas arquivísticas — de uma amostra grande o suficiente para atender aos requisitos de estimação (comumente N >= 200 para SEM). A normalidade multivariada, os padrões de dados ausentes e os perfis de outliers são examinados antes de prosseguir para a estimação do modelo.
O modelo especificado é ajustado à matriz de covariância observada usando um método de estimação como máxima verossimilhança (ML). A estimação produz uma matriz de covariância reproduzida; a discrepância entre as matrizes observada e reproduzida é resumida por estatísticas de ajuste: teste qui-quadrado, CFI, TLI, RMSEA e SRMR.
Fórmula
\chi^2, \text{CFI}, \text{RMSEA}, \text{SRMR}O ajuste do modelo é avaliado em relação a benchmarks convencionais (por exemplo, CFI >= 0,95, RMSEA <= 0,06, SRMR <= 0,08). Coeficientes de caminho individuais, erros padrão e valores R-quadrado são interpretados à luz das previsões teóricas. Ajuste inadequado sinaliza que o modelo teórico não representa adequadamente o processo gerador de dados.
Quando o ajuste é inadequado, os índices de modificação podem sugerir emendas teoricamente justificáveis — adição de caminhos, liberação de resíduos correlacionados ou reconsideração da estrutura de mensuração. Quaisquer modificações post-hoc devem ser revalidadas em uma amostra independente para proteger contra a capitalização por acaso; caso contrário, o estudo muda de confirmatório para exploratório.
Erros comuns
- Especificar o modelo após inspecionar os dados — isso transforma o teste de modelo em construção de modelo; a lógica confirmatória é invalidada.
- Aceitar um ajuste medíocre como adequado, relatando seletivamente apenas índices de ajuste favoráveis enquanto omite os ruins.
- Tratar índices de modificação como uma receita para melhoria sem justificativa teórica — cada caminho adicionado deve refletir raciocínio substantivo, não mera melhoria estatística.
- Usar poucos indicadores por construto (modelos de indicador único não conseguem separar a variância do construto do erro de mensuração, negando a vantagem principal da SEM).
- Ignorar testes de invariância ao comparar grupos — cargas fatoriais e interceptos devem ser mostrados como equivalentes entre os grupos antes que as diferenças de médias latentes sejam significativas.
Perguntas frequentes
Como a pesquisa de teste de modelo difere da pesquisa confirmatória em geral?
Pesquisa confirmatória é uma categoria ampla que inclui qualquer estudo projetado para testar uma hipótese predeterminada. Pesquisa de teste de modelo é um tipo específico de desenho confirmatório que avalia um sistema inteiro de relações hipotetizadas simultaneamente — tipicamente usando SEM ou CFA — em vez de testar hipóteses individuais uma a uma. A característica definidora é a especificação formal de um modelo estrutural ou de mensuração antes da coleta de dados.
Qual tamanho de amostra eu preciso?
Uma regra geral comum é de 10 a 20 observações por parâmetro livremente estimado, com um mínimo absoluto frequentemente citado como N = 200 para estimativas ML estáveis. Modelos complexos com muitas variáveis latentes e caminhos requerem amostras maiores. Software de análise de poder, como WebPower ou simulação Monte Carlo em Mplus, pode fornecer estimativas de tamanho de amostra mais precisas para uma determinada estrutura de modelo.
Quais índices de ajuste devo relatar e quais são os valores aceitáveis?
Relate no mínimo: qui-quadrado com graus de liberdade e valor p, CFI ou TLI (aceitável >= 0,90, bom >= 0,95), RMSEA com intervalo de confiança de 90% (aceitável <= 0,08, bom <= 0,06) e SRMR (aceitável <= 0,10, bom <= 0,08). Nenhum índice único é definitivo; é necessária evidência convergente entre múltiplos índices. O qui-quadrado sozinho é excessivamente sensível em amostras grandes.
Posso modificar meu modelo após ver os dados e ainda chamá-lo de teste de modelo?
Se modificações forem feitas com base em índices de modificação ou resíduos do mesmo conjunto de dados, o estudo mudou de confirmatório para exploratório. Modificações post-hoc são permitidas apenas se validadas cruzadamente em uma amostra de retenção independente. Caso contrário, o estudo deve ser descrito como desenvolvimento exploratório de modelo, não teste de modelo.
Preciso usar software SEM ou posso usar regressão em vez disso?
Para modelos simples apenas com variáveis observadas, a regressão múltipla pode ser suficiente. No entanto, a regressão não pode acomodar variáveis latentes, separar erro de mensuração ou testar o ajuste geral do modelo. Software SEM dedicado — Mplus, lavaan (R), AMOS ou LISREL — é necessário sempre que o modelo inclui construtos latentes, efeitos indiretos ou múltiplas variáveis dependentes medidas simultaneamente.
Métodos relacionados
Fontes
Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
ISBN: 978-1462523344Copiado.Joreskog, K. G., & Sorbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.
Abrir referência da publicaçãoCopiado.