Skip to content
Voltar aos resultados

Modelagem de Equações Estruturais

Proposto por
Sewall Wright
Ano
1921
Tipo
Method
Família
multivariate-modeling

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Modelagem de Equações Estruturais (SEM) é um arcabouço estatístico abrangente que combina análise de caminhos (Sewall Wright, 1921) e análise fatorial confirmatória para testar modelos causais complexos que ligam variáveis observadas e latentes.

Formalizada por Jöreskog (1973) com o software LISREL, a SEM permite a estimação simultânea de relações de mensuração (como as variáveis medem construtos latentes) e relações estruturais (como os construtos influenciam os resultados), tornando-a poderosa para teste de teorias em psicologia, epidemiologia, pesquisa organizacional e ciências da saúde, onde mediação complexa, moderação e processos latentes exigem análise integrada.

A intuição por trás do método

Muitas questões de pesquisa envolvem cadeias causais complexas: uma variável X afeta o resultado Y diretamente, ou indiretamente através do mediador M? Múltiplas variáveis observadas medem um único construto latente? A SEM integra essas questões em um único modelo. O arcabouço inclui duas partes: (1) modelo de mensuração — como variáveis observadas se relacionam com construtos latentes (cargas fatoriais), e (2) modelo estrutural — como os construtos se relacionam causalmente entre si (coeficientes de caminho). Diferentemente da regressão (que ignora erro de mensuração) ou da análise fatorial isolada (que ignora relações causais), a SEM estima caminhos estruturais enquanto considera o erro de mensuração. Essa abordagem dupla produz inferências mais válidas sobre processos subjacentes e permite testes de efeitos indiretos (mediação), moderação e relações recíprocas.

História

Sewall Wright desenvolveu a análise de caminhos (1921) para decompor correlações em efeitos causais diretos e indiretos em genética. Karl Jöreskog unificou a análise de caminhos com a análise fatorial para criar a SEM, lançando o software LISREL (Linear Structural Relations) em 1973, permitindo testes de hipóteses complexas. EQS de Bentler (1985) e AMOS de Arbuckle (1995) tornaram a SEM mais acessível. Desenvolvimentos modernos incluem estimação robusta (Yuan & Bentler, 2000), SEM multinível (Hox & Maas, 2001), modelos estruturais dinâmicos (curvas de crescimento latente; Bollen & Curran, 2006) e SEM Bayesiana (Lee, 2007).

Quando usar

Use a SEM ao testar teorias multivariadas complexas envolvendo mediação, moderação, construtos latentes e causalidade recíproca. Psicologia: testar se o coping cognitivo (latente) media o efeito do estresse na depressão, ou como a personalidade afeta o comportamento através da motivação. Epidemiologia: modelar caminhos de risco de doenças (ex: status socioeconômico → comportamentos de saúde → desfechos cardiovasculares). Pesquisa organizacional: testar se o estilo de liderança (medido por múltiplos itens) afeta o desempenho através do engajamento do funcionário (latente). Educação: modelar efeitos do clima escolar (construto latente a partir de relatos de professores e alunos) no desempenho do aluno. A SEM lida naturalmente com variáveis latentes, tornando-a ideal quando os construtos são abstratos ou medidos por múltiplos indicadores com erro.

Limitações e considerações

  • Requer amostras grandes e design balanceado: estimação de parâmetros instável com n pequeno ou características extremas da amostra; n mínimo ≥ 100–200 com múltiplas variáveis latentes.
  • Assume especificação correta do modelo a priori: a SEM testa o modelo especificado; especificação incorreta (caminhos omitidos, direção causal errada) pode ajustar bem apesar de estar errada (modelos equivalentes).
  • Múltiplos modelos equivalentes possíveis: diferentes estruturas de caminhos podem reproduzir a mesma matriz de covariância; a SEM não pode distingui-los sem teoria ou restrições adicionais.
  • Dados não experimentais não implicam causalidade: coeficientes de caminho representam pesos de regressão, não efeitos causais; confundimento, causalidade reversa e viés de seleção ainda ameaçam a validade.
  • Interações complexas e relações não lineares são difíceis de especificar e estimar em SEM; tipicamente assume relações lineares.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Componentes de mensuração e estruturais integrados: estima simultaneamente como variáveis medem construtos (validade) e como construtos se relacionam (teste de teoria).
  • Considera o erro de mensuração: coeficientes de caminho corrigidos pela não confiabilidade da mensuração, produzindo estimativas estruturais mais válidas do que a regressão.
  • Testa relações complexas: mediação, moderação, efeitos indiretos e causalidade recíproca em um arcabouço coerente.
  • Flexível para dados ausentes: máxima verossimilhança de informação completa permite análise com dados incompletos sob a suposição de MCAR.
  • Diagnósticos abrangentes de ajuste: múltiplos índices (CFI, RMSEA, resíduos) permitem avaliação completa do modelo e identificação de fontes específicas de mau ajuste.

Aplicações

  • Psicologia clínica: testar se a exposição a traumas afeta a depressão através de padrões cognitivos negativos (mediação); modelar dimensões latentes de psicopatologia.
  • Saúde pública: avaliar se intervenções socioecológicas afetam comportamentos de saúde (ex: engajamento comunitário → conhecimento → mudança de comportamento → desfechos de saúde).
  • Pesquisa educacional: avaliar se a alocação de recursos escolares afeta o aprendizado do aluno através da qualidade do professor e do clima escolar (construto latente).
  • Comportamento organizacional: testar se o estilo de liderança afeta o desempenho organizacional através da motivação e do comprometimento do funcionário (mediadores latentes).
  • Pesquisa de desenvolvimento longitudinal: modelos de curva de crescimento latente rastreando como os indivíduos mudam ao longo do tempo, prevendo trajetórias a partir de características de base.

Como funciona

Como funciona

1

Administre a SEM por: (1) especificação a priori do modelo baseada em teoria (desenhar ou diagramar a estrutura causal hipotetizada), (2) definição de variáveis latentes (construtos abstratos observados indiretamente através de variáveis medidas) e seus indicadores, (3) especificação de caminhos estruturais (hipóteses causais ligando variáveis/construtos), (4) coleta de dados em todas as variáveis observadas (tipicamente contínuas; a SEM pode lidar com dados ordinais/categóricos com estimação apropriada), (5) garantia de tamanho de amostra adequado (n ≥ 100 mínimo, idealmente n ≥ 200; regra geral: n > 10× número de parâmetros estimados). Colete dados com valores ausentes mínimos; a máxima verossimilhança de informação completa (FIML) da SEM lida com dados ausentes sob a suposição de ausentes completamente ao acaso (MCAR). Defina variáveis exógenas (causas, tipicamente não correlacionadas) e endógenas (efeitos, podem ser causadas por outras variáveis).

2

Estime a SEM usando máxima verossimilhança (ML) ou métodos de estimação robusta (MLR para dados não normais). A saída inclui: (1) Coeficientes de caminho padronizados (pesos de regressão entre variáveis): comparáveis diretamente entre caminhos; coeficiente de 0.4 indica efeito moderado. (2) Cargas fatoriais: correlações entre variáveis latentes e seus indicadores (≥0.5 aceitável, ≥0.7 forte). (3) Erros padrão e estatísticas z: testam se os coeficientes diferem significativamente de zero. (4) Efeitos indiretos (mediação): produto dos coeficientes de caminho ao longo da(s) rota(s) indireta(s); teste via bootstrapping (≥1000 iterações). (5) R² para variáveis endógenas: proporção da variância explicada. (6) Índices de ajuste: CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999). (7) Resíduos: valores padronizados devem ser próximos de zero; resíduos grandes indicam mau ajuste do modelo em relações específicas. (8) Índices de modificação: sugerem caminhos alternativos; contudo, modificações baseadas em dados comprometem a validade — modifique apenas com base em teoria.

3

Interprete coeficientes de caminho padronizados como: um coeficiente de 0.5 para o caminho X→Y significa que um aumento de 1 DP em X prevê um aumento de 0.5 DP em Y (efeito direto), mantendo outras variáveis constantes. Se o coeficiente p < 0.05, o efeito é estatisticamente significativo. Efeitos indiretos: multiplique os coeficientes ao longo do caminho de mediação. Por exemplo, se o coeficiente X→M é 0.3 e M→Y é 0.4, o efeito indireto = 0.3×0.4 = 0.12; o IC de 95% via bootstrap deve excluir zero para significância. Efeito total = direto + indireto; compare com zero para avaliar a associação geral. Ajuste do modelo: atender a todos os critérios de ajuste (CFI, RMSEA, etc.) indica que o modelo reproduz adequadamente a estrutura de covariância observada. Resíduos próximos de zero confirmam o ajuste em caminhos individuais. Índices de modificação > 3.84 sugerem caminhos que podem melhorar o ajuste, mas adicionar caminhos ad hoc infla o erro Tipo I; resspecifique modelos apenas com base em justificativa teórica ou valide cruzadamente em amostra independente.

Erros comuns

  • Modificação do modelo baseada em dados: adicionar iterativamente caminhos com base em índices de modificação capitaliza o acaso e produz modelos que podem não replicar. Modificações devem ser justificadas teoricamente a priori ou testadas em amostra independente.
  • Ignorar o modelo de mensuração: focar apenas nos caminhos estruturais enquanto se permite que o erro de mensuração seja estimado livremente; mensuração inadequada compromete a validade estrutural.
  • Relatar ajuste do modelo sem examinar resíduos: bons índices de ajuste global não garantem que todos os caminhos se ajustem bem. Examine resíduos padronizados e índices de modificação para identificar mau ajuste localizado.
  • Tratar a SEM como confirmatória quando usada exploratoriamente: se o modelo foi derivado de dados (especificação post-hoc), relate como exploratório e valide em amostra independente.
  • Confundir significância estatística com significância prática: caminho significativo (p < 0.05) não significa que o efeito seja grande ou significativo. Relate tamanhos de efeito (coeficientes padronizados) e intervalos de confiança.
  • Saturar o modelo com variáveis latentes: muitos construtos latentes em relação a indicadores e tamanho da amostra produzem estimativas instáveis; use SEM multigrupo ou modelos bifatoriais com cautela.

Perguntas frequentes

Qual é a diferença entre um efeito direto e um efeito indireto (mediação)?

Um efeito direto é o caminho de X para Y, quantificando como X influencia Y diretamente. Um efeito indireto é o caminho X→M→Y, quantificando como X influencia Y através do mediador M. O efeito indireto é igual ao produto do caminho X→M pelo caminho M→Y. Efeito total = direto + indireto. Mediação ocorre quando: (1) o efeito direto X→Y diminui após controlar por M, e (2) o efeito indireto X→M→Y é significativo (IC de bootstrap exclui zero). Mediação completa: o efeito direto torna-se não significativo após incluir o mediador. Mediação parcial: ambos os efeitos, direto e indireto, são significativos, o que significa que X afeta Y através de múltiplos caminhos.

Como sei se meu modelo se ajusta bem? O que significam CFI e RMSEA?

O ajuste do modelo é julgado por múltiplos índices (critérios de Hu & Bentler, 1999): CFI (Comparative Fit Index) compara seu modelo a um modelo nulo (todas as variáveis não correlacionadas); CFI > 0.95 indica bom ajuste (varia de 0–1). RMSEA (Root Mean Square Error of Approximation) quantifica a discrepância entre o modelo e os dados por grau de liberdade; RMSEA < 0.06 excelente, 0.06–0.08 bom, >0.10 pobre (quanto mais próximo de zero, melhor). TLI > 0.95 e SRMR < 0.08 também são recomendados. Atender a todos os critérios simultaneamente indica bom ajuste. No entanto, bom ajuste geral não garante que todos os caminhos se ajustem; examine resíduos padronizados (devem ser < |2|) e índices de modificação.

O que é uma variável latente e como medi-la?

Uma variável latente é um construto não observado (ex: depressão, inteligência, cultura organizacional) medido indiretamente através de múltiplos indicadores observados (itens de questionário, pontuações de teste). Cada indicador reflete o construto latente mais erro de mensuração. Na SEM, você especifica quais variáveis observadas medem quais variáveis latentes através de cargas fatoriais. Por exemplo, a variável latente 'depressão' pode ser medida por itens: tristeza, desesperança, distúrbio do sono (indicadores observados). Cada carga deve ser ≥0.5; se um indicador carregar fracamente, considere removê-lo ou reconceituar o construto latente.

Posso usar SEM para estabelecer causalidade a partir de dados observacionais?

Não. A SEM estima associações e testa se um modelo causal hipotetizado reproduz a estrutura de correlação nos dados. Coeficientes de caminho representam pesos de regressão (associações condicionais), não efeitos causais. Causalidade requer: (1) precedência temporal (X medido antes de Y), (2) covariância (X e Y correlacionam-se), (3) nenhuma alternativa plausível (confundimento, causalidade reversa). A SEM observacional viola o critério 3: variáveis de confundimento e causas não medidas ameaçam a validade. O ajuste estatístico da SEM por si só não pode provar causalidade. Use SEM com teoria, evidências qualitativas e design de estudo (randomização, variáveis instrumentais) para fortalecer a inferência causal. Considere análises de sensibilidade testando modelos alternativos.

Métodos relacionados

Fontes

  1. Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.

    Abrir referência da publicação
    Copiado.
  2. Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.

    Abrir referência DOI
    Copiado.
  3. Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

    Abrir referência da publicação
    Copiado.