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
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
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).
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.
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
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 publicaçãoCopiado.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 DOICopiado.Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
Abrir referência da publicaçãoCopiado.